分割与重建中的体积偏置：秘密与解决方案
计算机视觉与模式识别
2015-05-04 v1
摘要
许多用于分割和重建的标准优化方法计算片段外观或几何的ML模型估计，例如 Zhu-Yuille 1996, Torr 1998, Chan-Vese 2001, GrabCut 2004, Delong et al. 2012。我们观察到这些公式中的标准似然项对应于广义概率K-means能量。在机器学习中，众所周知该能量对相等大小的集群有强偏置，这可表达为对偏离基数均匀分布的KL散度的惩罚。然而，这种体积偏置在计算机视觉中大多被忽略。我们展示了由于该偏置在标准分割和重建方法中产生的显著伪影。此外，我们提出二值和多元标签优化技术，要么(a)消除该偏置，要么(b)用针对任意给定目标体积分布的KL散度项替换它。我们的通用思想适用于分割、立体匹配和其他重建问题中的许多连续或离散能量公式。
引用
@article{arxiv.1505.00218,
title = {Volumetric Bias in Segmentation and Reconstruction: Secrets and Solutions},
author = {Yuri Boykov and Hossam Isack and Carl Olsson and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:1505.00218},
year = {2015}
}
备注
9 pages, 9 figures, 1 table