Ограничения на обнаружение грани

Question

Я студент по информатике, пытаясь придумать тему для своего проекта capstone. Меня особенно интересует обнаружение краев, но у меня возникают проблемы с областью исследований по этой теме. Я ищу какое-то ограничение обнаружения границ, с которым сталкиваются сегодня.

Моих идей до сих пор являются следующими:

Обработки края обнаружения в зашумленных изображениях - текущий метод заключается в использовании Gaussian сглаживания, но мы до сих пор не получают желаемые результаты.

Я слышал несколько проблем, связанных с обнаружением кромок и принципами гештальта. Но я не нахожу никаких хороших данных или исследовательских работ по этой подтеме.

Кто-нибудь знает о каких-либо проблемах или ограничениях обнаружения края, которые еще предстоит решить? Не стесняйтесь подробно рассказать о двух подтемах, упомянутых выше!

Answer 1

Я просто сделал аналогичный проект в своей школе. Посмотрите на Stacked Denoising Auto Encoders. Это какой-то новый метод, который недавно применялся с большим успехом. Его полуконтролируемый алгоритм обучения, который использует шум для лучшего понимания данных. Он работает очень хорошо, когда у вас много немеченых данных и мало помеченных данных.

http://deeplearning.net/tutorial/SdA.html

Эндрю нг имеет хорошее видео. У него есть хорошая информация об распознавании изображений и обнаружении краев. Он также проводит бесплатный класс машинного обучения на Itunes U.

https://www.youtube.com/watch?v=n1ViNeWhC24

Его не новаторский новый, но вы могли бы найти его интересным и его прикладывают в новых направлениях.

Я уверен, что новая система отслеживания googles, которую они используют, использует это. Был хорошим проектом для меня. Я использовал его, чтобы попытаться определить аккорды в музыке из .wav-файлов.

Answer 2

Есть несколько интересных проблем для решения проблемы. Если вы займетесь проблемой, которая может нести вас через ваш проект capstone и через несколько лет, это может быть интересно для школ и/или будущих работодателей.

Для теории гештальт, посмотрите раннюю книгу в этой области (на английском языке) под названием Исходная книга по гештальт-психологии под редакцией Уиллиса Д. Эллиса. Вы можете быть удивлены, как могут быть полезными и полезными ранние тексты в поле. То же самое можно сказать и о раннем тексте обработки изображений - иногда ранние учебники дают более четкие, более простые объяснения, чем более поздние учебники.

С тех пор, как Гештальт был бедренным веком назад, вам может быть трудно найти оригинальные тексты по поисковому запросу. Побеседуйте со справочным библиотекарем. Попросите посмотреть копию Руководства по справочным книгам.

Если вам интересно растянуть ваши исследования до завершения кромок, а не просто обнаружение края, то использование спирали Эйлера для завершения кривой - это аккуратное поле.Вот одна статья на эту тему:

«3D Эйлер спиралей для 3D Curve Завершение»

http://webee.technion.ac.il/~ayellet/Ps/10-HT.pdf

В качестве последнего замечания, я хотел бы, чтобы прочитать статью, в которой кто-то Снасти использование Осторожные о мире «оптимальный», и предпочтительно находит термин, который не вводит в заблуждение.