論文の概要: A Comparative Tutorial of the Histogram-based Image Segmentation Methods

• arxiv url: http://arxiv.org/abs/2502.18550v2
• Date: Tue, 01 Apr 2025 02:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-02 14:11:38.378789
• Title: A Comparative Tutorial of the Histogram-based Image Segmentation Methods
• Title（参考訳）: ヒストグラムに基づく画像分割法の比較チュートリアル
• Authors: ZhenZhou Wang,
• Abstract要約: 多くの古典的ヒストグラムに基づく画像分割法が提案され、学術と産業の両方で重要な役割を果たしてきた。 本チュートリアルでは、ヒストグラムに基づく画像分割技術の歴史と最近の進歩をまず概観し、次に4つのカテゴリに分けられる。 本チュートリアルの目的は,(1)古典的ヒストグラムに基づくイメージセグメンテーション手法の原理を興味ある読者に教えること,2)これらの古典的ヒストグラムに基づく画像セグメンテーション手法の利点とデメリットを客観的に評価すること,3)これらの古典的ヒストグラムに基づく画像セグメンテーション手法と最先端のディープラーニングに基づく画像セグメンテーション手法のパフォーマンスを比較することである。
• 参考スコア（独自算出の注目度）: 10.60608983034705
• License:
• Abstract: The histogram of an image is the accurate graphical representation of the numerical grayscale distribution and it is also an estimate of the probability distribution of image pixels. Therefore, histogram has been widely adopted to calculate the clustering means and partitioning thresholds for image segmentation. There have been many classical histogram-based image segmentation methods proposed and played important roles in both academics and industry. In this tutorial, the histories and recent advances of the histogram-based image segmentation techniques are first reviewed and then they are divided into four categories: (1) the means-based method, (2) the Gaussian-mixture-model-based method, (3) the entropy-based method and (4) the feature-points-based method. The purpose of this tutorial is threefold: 1) to teach the principles of the classical histogram-based image segmentation methods to the interested readers; 2) to evaluate the advantages and disadvantages of these classical histogram-based image segmentation methods objectively; 3) to compare the performances of these classical histogram-based image segmentation methods with state-of-the-art deep learning based methods objectively.
• Abstract（参考訳）: 画像のヒストグラムは数値的なグレイスケール分布の正確な図形表現であり、画像画素の確率分布の推定値でもある。 したがって、ヒストグラムはクラスタリング手段を計算し、画像セグメンテーションの閾値を分割するために広く採用されている。 多くの古典的ヒストグラムに基づく画像分割法が提案され、学術と産業の両方で重要な役割を果たしてきた。 本チュートリアルでは,まずヒストグラムに基づく画像分割技術の歴史と最近の進歩を概観し,(1)平均法,(2)ガウス混合モデル,(3)エントロピー法,(4)特徴点法という4つのカテゴリに分けられる。 このチュートリアルの目的は3つある。 1) 興味ある読者に古典的ヒストグラムに基づく画像分割法の原理を教えること。 2)これらの古典的ヒストグラムに基づく画像分割法の利点と欠点を客観的に評価すること。 3) 従来のヒストグラムに基づく画像分割法と最先端の深層学習法を客観的に比較する。

関連論文リスト

• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Local Clustering for Lung Cancer Image Classification via Sparse Solution Technique [1.07793546088014]
  重み付きグラフの頂点としてのイメージと,グラフのエッジとしてのイメージの対の類似性について検討する。 私たちのアプローチは、他の最先端のアプローチと比較して、はるかに効率的で、好ましくないか、等しく効果的です。
  論文  参考訳（メタデータ） (2024-07-11T18:18:32Z)
• A Sparse Graph Formulation for Efficient Spectral Image Segmentation [0.0]
  スペクトルクラスタリングは、セグメンテーション問題を解決する最も伝統的な方法の1つである。 単純なグリッドグラフに余分なノードを含めることで、スパースグラフを定式化します。 元の正規化カットアルゴリズムをこのグラフに適用すると、スペクトル画像セグメンテーションの単純でスケーラブルな方法が導かれる。
  論文  参考訳（メタデータ） (2023-06-22T19:06:27Z)
• Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
  本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。 特に、アノテータ学習を学習から学習までの問題として定式化する。 提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-06T01:29:22Z)
• From colouring-in to pointillism: revisiting semantic segmentation supervision [48.637031591058175]
  本稿では,意味的セグメンテーションアノテーションに対するポジリスト的アプローチを提案する。 Open Imagesデータセットで4,171のクラスに2260万のポイントラベルを収集してリリースしました。
  論文  参考訳（メタデータ） (2022-10-25T16:42:03Z)
• Multiscale Analysis for Improving Texture Classification [62.226224120400026]
  本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。 バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
  論文  参考訳（メタデータ） (2022-04-21T01:32:22Z)
• A Random Point Initialization Approach to Image Segmentation with Variational Level-sets [0.0]
  本稿では,オブジェクト境界を迅速に検出できる変動レベルセット画像分割法を提案する。 実画像上での本手法の性能をCanny法と比較することにより,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-12-23T04:37:44Z)
• Nonparametric clustering for image segmentation [0.0]
  画像分割への非パラメトリッククラスタリングの適用について検討し,このタスクに特有のアルゴリズムを提供する。 ピクセル類似性は、色表現の密度の観点から評価され、ピクセルの隣接構造が悪用される。 提案手法は、画像の分割と境界の検出の両方に作用し、しきい値化手法のクラスのカラー画像への一般化と見なすことができる。
  論文  参考訳（メタデータ） (2021-01-20T22:27:44Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• Spectral Image Segmentation with Global Appearance Modeling [0.913755431537592]
  我々は,グローバルな外見モデリングのための長距離関係を組み込んだ画像分割のための新しいスペクトル法を提案する。 このアプローチは2つの異なるグラフを組み合わせており、1つは近くのピクセル間の空間的関係をキャプチャするスパースグラフであり、もう1つはすべてのピクセル間のペアの類似性をキャプチャする密度の高いグラフである。
  論文  参考訳（メタデータ） (2020-06-11T16:21:54Z)
• Towards Interpretable Semantic Segmentation via Gradient-weighted Class Activation Mapping [71.91734471596432]
  本稿では,セマンティックセグメンテーションの解法としてSEG-GRAD-CAMを提案する。 本手法は,各画素のセグメンテーションに対する関連性を示すヒートマップを作成するために局所的に適用された広く使われているGrad-CAM法の拡張である。
  論文  参考訳（メタデータ） (2020-02-26T12:32:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。