Semantic segmentation with global mixture of Gaussian priors

Autor(es)

Rodrigo Fumihiro de Azevêdo Kanehisa

• Tipo de documento: Dissertação de Mestrado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Instituto de Computação
• Data de defesa: 2022-04-27

Membros da banca

Adín Ramírez Rivera; Hélio Pedrini; Roberto de Alencar Lotufo

• Orientador: Adín Ramírez Rivera

Resumo

A segmentação semântica é um dos problemas em aberto em visão computacional. Este problema consiste em classificar cada pixel presente em uma imagem, delimitando um objeto. As redes neurais convolucionais são eficientes na detecção e identificação de objetos em imagens. No entanto, durante o processo de segmentação, surgem alguns problemas, como perda de informações espaciais e baixa resolução dos mapas de características. Esses problemas levam a segmentações grosseiras ou ruidosas devido às incertezas nos dados. Uma maneira de combater esses problemas é usar métodos estatísticos em conjunto com redes neurais. Este trabalho propõe redes neurais combinadas com modelos probabilísticos como representação para segmentação semântica com foco em imagens médicas. Os modelos probabilísticos apresentam uma solução para mapear o conteúdo da imagem em distribuições mais representativas no espaço latente dos dados, permitindo que a rede lide com incertezas e modele informações mais complexas. Avaliamos nossas propostas em bases de dados existentes para segmentação de imagens e as comparamos com métodos existentes em \textit{benchmarks} padrão para segmentação semântica. Um modelo U-Net mais complexo será mais expressivo, permitindo que a rede reconstrua melhor as informações perdidas durante as operações de downsampling e stride (AU)

• Processo FAPESP: 19/08589-0 - Segmentação semântica baseada em métodos variacionais
• Beneficiário: Rodrigo Fumihiro de Azevedo Kanehisa
• Modalidade de apoio: Bolsas no Brasil - Mestrado