请选择 进入手机版 | 继续访问电脑版

人工智能网

 找回密码
 立即注册
楼主: Pallashadow

人类视觉不存在图像分割的问题

[复制链接]
发表于 2014-2-5 18:59:00 | 显示全部楼层
嗯,有帮助…但是我有点疑义。。我们之所以焦点视觉。正是因为我们处理能力的不足。为什么处理能力不足是因为我们接收到的视频信息要做及时处理。将一些不必要的信息不输入会降低大脑负担。相反鸟等对于图像信息只需要做简单处理,还能够形成360度视角
回复 支持 反对

使用道具 举报

发表于 2014-2-5 19:42:00 | 显示全部楼层
我觉得人工智能说到底就一个问题:人的大脑是怎么样获取信息的特征。
回复 支持 反对

使用道具 举报

 楼主| 发表于 2014-2-5 21:59:00 | 显示全部楼层
识别算法:
1、对原始图像A低通滤波(模糊)后做显著图(salience map)M,提取灰度梯度等特征,产生【首选注视点】或若干候选注视点队列。
2、在图片A截取第一注视点周围图片 A1,作为【分类器1】和【分类器2】的输入
3、【分类器1】输出向量P(s|A1),即所有可能的分类的概率向量;
4、【分类器2】输出M(s|A1),即针对若干状态s的【子显著图】(观察何处将有助于使P(s)增大)
5、将M(s)加权叠加到主显著图M,生成【首选注视点】,并在M上将之前注视点的显著性降低。
6、重复步骤2到5,将P(s)叠加后归一化,直到向量P(s)的熵高于某个阈值

分类器训练:
1、对标签已知y的原始图像A低通滤波(模糊)后做显著图(salience map)M,提取灰度梯度等特征,产生【首选注视点】或若干候选注视点队列。
2、在图片A(y)截取第一注视点周围图片 A1,作为
3、使分类器1得出的P(y|A1)逼近P(y|A1)=1
4、使分类器2得出的M(y|A1)逼近当前M
5、重复步骤2到4。

显著图可采用http://www.mbari.org/aved/
分类器任意,比如Hog+SVM
回复 支持 反对

使用道具 举报

发表于 2014-2-6 01:17:00 | 显示全部楼层
学习了
回复 支持 反对

使用道具 举报

发表于 2014-2-6 17:17:00 | 显示全部楼层
以前做过的视觉极限测试实验,研究:对象和图片从出现到被分辨这其间需要多长时间;有哪些因素会对分辨的过程时间产生影响;将分辨过程进行分割,可以划分成为几个不同的过程阶段。
       视觉首先是处理光源的强度、方向、距离的变化,而不是分辨是对象什么。通过强度、方向、距离的变化来形成对象整体的认知,所以即使是从未见过的对象也不妨碍将其从背景中划分出来。凭借视觉来将对象分类和区分是更高一层次的活动。分辨对象这一层次的活动需要基于强度、方向、距离的判断才能完成。而图片的识别则是比对象识别更高一层的活动,需要有空间想像的能力才能完成。人脑对于图片的分割是基于光源强度、方向、距离的想象空间中的判断,而不是基于对像素的分类和滤波。
回复 支持 反对

使用道具 举报

发表于 2014-2-6 23:59:00 | 显示全部楼层
你说的图像分割应该是指的segmentation。图像的segmentation是有不同层次的,从底层的根据色彩,亮度等进行的分割,到高层的根据目标进行分割(比如把识别对象从背景分割开来)。机器视觉的最大难题,我觉得是把识别对象从背景分离开来。到现在这个问题都没有通用的解法,而是对不同场景有不同算法(比如交通,生产线)等等。

从机器学习的角度讲,我觉得图像分割是不可避免的,电脑跟人脑毕竟不是一码事,用算法来实现目标检测,图像分割是不可避免的。
回复 支持 反对

使用道具 举报

发表于 2014-2-7 08:01:00 | 显示全部楼层
俗话说 说得一尺不如行得一寸,论坛里已经太多的理论贡献者了。
希望吧主能带头将理论和实践结合起来,用事实来证明或修正理论
回复 支持 反对

使用道具 举报

发表于 2014-2-10 09:20:00 | 显示全部楼层

回复 支持 反对

使用道具 举报

发表于 2014-2-10 11:34:00 | 显示全部楼层
可有现成的成果
    ------小学生放假了,大家快跑~~
回复 支持 反对

使用道具 举报

发表于 2014-2-11 14:43:00 | 显示全部楼层
很希望能把这个理论形成算法验证一下
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|人工智能实验室

GMT+8, 2024-3-29 20:01 , Processed in 0.016103 second(s), 7 queries , Redis On.

Powered by Discuz! X3.4

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表