From Global to Local Statistical Shape Priors: Novel Methods to Obtain Accurate Reconstruction Results with a Limited Amount of Training Shapes

این کتاب رویکرد جدیدی را برای رسیدگی به مشکل داده‌های آموزشی محدود پیشنهاد می‌کند. رویکردهای رایج برای مقابله با این مشکل، مدل‌سازی تغییر شکل به‌طور مستقل در بخش‌های از پیش تعریف‌شده یا اجازه دادن به تغییرات شکل مصنوعی است که نمی‌توانند از طریق داده‌های آموزشی توضیح داده شوند، که هر دو دارای اشکالاتی هستند. رویکرد ارائه‌شده از یک شکل محلی قبل در هر عنصر از حوزه داده زیربنایی استفاده می‌کند و همه اولویت‌های شکل محلی را از طریق محدودیت‌های همواری جفت می‌کند. این کتاب برای جاسازی این فرمول قبلی شکل جدید در چارچوب تقسیم بندی تصویر متغیر شناخته شده، یک پایه ریاضی صحیح را فراهم می کند. رویکرد تقسیم‌بندی جدید به‌دست‌آمده، امکان بازسازی دقیق حتی کلاس‌های شی پیچیده را با تنها چند شکل آموزشی فراهم می‌کند.

This book proposes a new approach to handle the problem of limited training data. Common approaches to cope with this problem are to model the shape variability independently across predefined segments or to allow artificial shape variations that cannot be explained through the training data, both of which have their drawbacks. The approach presented uses a local shape prior in each element of the underlying data domain and couples all local shape priors via smoothness constraints. The book provides a sound mathematical foundation in order to embed this new shape prior formulation into the well-known variational image segmentation framework. The new segmentation approach so obtained allows accurate reconstruction of even complex object classes with only a few training shapes at hand.