경계선 검출은 처리해야 할 정보의 양을 줄여주면서 중요한 구조적 정보를 유지 시켜주기 때문에, 많은 상위의 컴퓨터 비전 작업에 있어서 기초적인 일이 된다. 많은 경계선 검출 방법에 제안되었지만, 실제 환경에서 잘 작동하는 일반적인 경계선 검출 방법은 존재하지 않는다. 경계선 검출의 주요 어려움은 검출 정확도와 위치 정확도를 동시에 얻는 것이다. 둘은 서로 트레이드 오프 관계에 있기 때문에, 대부분의 경계선 검출 방법은 둘 간의 성능 수준을 조절하기 위한 파라미터들이 존재하게 된다. 본 논문에서는, 좋은 검출 능력 뿐만 아니라 좋은 위치 정확도를 갖는 경계선 검출을 목표로 한다.
경계선 검출기의 다양한 파라미터로부터 얻어진 결과의 합의에 기반한 경계선 검출 방법을 소개한다. 합의에 의한 이득을 얻기 위해서, 실제 경계선과 검출된 경계도 간의 관계를 나타내는 표본 기반 학습 방법이 제안하였다. 표본 기반 학습을 이용해서, 영상 잡음에 의한 비경계선 반응은 잘 억제하면서 실제 경계선은 잘 찾는 결과를 얻었다.
실험에서는, 도전적인 환경에서의 많은 실제 영상에 대해서 제안된 경계선 검출 방법의 성능을 보이고, ...
경계선 검출은 처리해야 할 정보의 양을 줄여주면서 중요한 구조적 정보를 유지 시켜주기 때문에, 많은 상위의 컴퓨터 비전 작업에 있어서 기초적인 일이 된다. 많은 경계선 검출 방법에 제안되었지만, 실제 환경에서 잘 작동하는 일반적인 경계선 검출 방법은 존재하지 않는다. 경계선 검출의 주요 어려움은 검출 정확도와 위치 정확도를 동시에 얻는 것이다. 둘은 서로 트레이드 오프 관계에 있기 때문에, 대부분의 경계선 검출 방법은 둘 간의 성능 수준을 조절하기 위한 파라미터들이 존재하게 된다. 본 논문에서는, 좋은 검출 능력 뿐만 아니라 좋은 위치 정확도를 갖는 경계선 검출을 목표로 한다.
경계선 검출기의 다양한 파라미터로부터 얻어진 결과의 합의에 기반한 경계선 검출 방법을 소개한다. 합의에 의한 이득을 얻기 위해서, 실제 경계선과 검출된 경계도 간의 관계를 나타내는 표본 기반 학습 방법이 제안하였다. 표본 기반 학습을 이용해서, 영상 잡음에 의한 비경계선 반응은 잘 억제하면서 실제 경계선은 잘 찾는 결과를 얻었다.
실험에서는, 도전적인 환경에서의 많은 실제 영상에 대해서 제안된 경계선 검출 방법의 성능을 보이고, 캐니 경계선 검출 결과와 비교하였다. 실험 결과는 제안된 방법이 검출 정확도와 위치 정확도의 관점에서 보다 좋은 결과를 주는 것을 보였다.
경계선 검출은 처리해야 할 정보의 양을 줄여주면서 중요한 구조적 정보를 유지 시켜주기 때문에, 많은 상위의 컴퓨터 비전 작업에 있어서 기초적인 일이 된다. 많은 경계선 검출 방법에 제안되었지만, 실제 환경에서 잘 작동하는 일반적인 경계선 검출 방법은 존재하지 않는다. 경계선 검출의 주요 어려움은 검출 정확도와 위치 정확도를 동시에 얻는 것이다. 둘은 서로 트레이드 오프 관계에 있기 때문에, 대부분의 경계선 검출 방법은 둘 간의 성능 수준을 조절하기 위한 파라미터들이 존재하게 된다. 본 논문에서는, 좋은 검출 능력 뿐만 아니라 좋은 위치 정확도를 갖는 경계선 검출을 목표로 한다.
경계선 검출기의 다양한 파라미터로부터 얻어진 결과의 합의에 기반한 경계선 검출 방법을 소개한다. 합의에 의한 이득을 얻기 위해서, 실제 경계선과 검출된 경계도 간의 관계를 나타내는 표본 기반 학습 방법이 제안하였다. 표본 기반 학습을 이용해서, 영상 잡음에 의한 비경계선 반응은 잘 억제하면서 실제 경계선은 잘 찾는 결과를 얻었다.
실험에서는, 도전적인 환경에서의 많은 실제 영상에 대해서 제안된 경계선 검출 방법의 성능을 보이고, 캐니 경계선 검출 결과와 비교하였다. 실험 결과는 제안된 방법이 검출 정확도와 위치 정확도의 관점에서 보다 좋은 결과를 주는 것을 보였다.
Edge detection is a fundamental task in many high level computer vision tasks because it preserves important structural information, while reducing the amount of data to be processed. Many edge detection methods have been proposed, however, there is no general edge detection method that works well i...
Edge detection is a fundamental task in many high level computer vision tasks because it preserves important structural information, while reducing the amount of data to be processed. Many edge detection methods have been proposed, however, there is no general edge detection method that works well in real environment. The main difficulty is achieving both detection and localization accuracy. Usually there is a tradeoff relation; therefore, most edge detection methods have some parameters to adjust both quality levels. In this thesis, we aim to detect edges that have not only good detection but also good localization.
We present an edge detection method based on consensus of many results from an edge detector with various parameters. To take an advantage of consensus, we propose an exemplar-based learning indicating the relationship between real edges and detected edge measures. Using the exemplar-based learning, we get an edge map that detect real edge points well, while suppressing non-edge responses caused by image noises.
In the experiments, we show the performance of our edge detection method for many real images in the challenging environment and compare our results with the results of the Canny edge detector. The experimental results show that our method gives better results in terms of detection and localization accuracy.
Edge detection is a fundamental task in many high level computer vision tasks because it preserves important structural information, while reducing the amount of data to be processed. Many edge detection methods have been proposed, however, there is no general edge detection method that works well in real environment. The main difficulty is achieving both detection and localization accuracy. Usually there is a tradeoff relation; therefore, most edge detection methods have some parameters to adjust both quality levels. In this thesis, we aim to detect edges that have not only good detection but also good localization.
We present an edge detection method based on consensus of many results from an edge detector with various parameters. To take an advantage of consensus, we propose an exemplar-based learning indicating the relationship between real edges and detected edge measures. Using the exemplar-based learning, we get an edge map that detect real edge points well, while suppressing non-edge responses caused by image noises.
In the experiments, we show the performance of our edge detection method for many real images in the challenging environment and compare our results with the results of the Canny edge detector. The experimental results show that our method gives better results in terms of detection and localization accuracy.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.