多目标检测的顺序蒙特卡罗和分层检测网.docVIP

多目标检测的顺序蒙特卡罗和分层检测网纲要在本文中，我们提出了一个新的框架检测，二维和三维图像中的多个对象。由于一个联合的多对象模型难以获得在大多数实际情况下，我们在这里关注的物体的检测顺序，一个一个的。对象之间的相互依存关系的姿态和强大的现有信息嵌入在我们的医学图像的结果优于单独检测对象域。我们的方法是基于序列估计技术，经常应用到的视觉跟踪。不像在跟踪，其中顺序自然是确定的时间序列，多个对象的检测的顺序必须被选择，导致分层检测网络（HDN）。我们提出了一个算法优化选择基于概率的状态的顺序（对象构成的地面区域内）。对象构成的近似的后验分布在每一步的顺序蒙特卡罗。样品在多个对象和层级序列内的传播。在左心房的二维超声图像显示我们，是自动选择的顺序产量低的平均检测误差。我们还定量评价胎面分层检测和三胎儿的大脑结构的三维超声图像。 1 介绍多目标检测是计算机视觉系统中的许多应用，例如在视觉跟踪[ 15 ]，初始化分割[ 20 ]，或在医疗成像[ 2 ]。图1说明了多目标检测的两个例子，我们有兴趣。多－目标检测[ 5，19，国家的最先进的方法，9 ]依靠每个对象类的一个单独的探测器后处理修剪杂散检测内和类之间。联合检测多个对象而不是单独的优点是物体间的空间关系可以被利用。由于获得的多个对象连接模型的困难在大多数实际应用中，多目标检测任务由多个单独的对象检测器的空间模型[ 4 ]连接解决。的物体的相对位置提供约束，使系统具有更强的鲁棒性通过聚焦搜索区域中的对象是基于其他对象的位置的期望。在这些算法的最具挑战性的方面是设计的探测器，快速和强大的，建模对象之间的空间关系，并确定检测顺序。在本文中，我们提出了一种多目标检测系统，解决了这些难题。图1 多目标检测的例子：左心房（LA）所标志的心尖二腔（A2C）视图（左）和三解剖脑胎儿三维超声体积（右）。我们的计算速度和提高系统的鲁棒性的分层处理。在检测中，一个主要的问题是如何有效地传播对象可以在层次结构的级别者。这通常涉及定义搜索范围在NE的水平，可以从粗的水平是影响者。搜索范围的不正确的选择导致更高的计算速度，精度低，或漂移的粗考生对正确renements。在我们的技术的搜索范围的模型是从训练数据中学习的一部分。我们的多目标检测系统的性能是通过从更容易检测和利用对象的配置限制其他的物体检测对象的进一步改进。这一战略的困难是选择检测，整体性能达到最大化的顺序。我们的检测计划是去签署了减少检测的不确定性。使用相同的算法，我们也得到了最优调度的层次尺度。 我们的做法是出于序列估计技术[ 8 ]，经常应用到的视觉跟踪。在跟踪，我们的目标是估计在时间t的对象的状态下（例如，位置和大小）使用观察Y0：T（视频帧中的对象的外观）。计算需要的可能性的假设状态产生的观察和转换模型，描述状态之间的传播框架的方式。由于在实际情况中可能导致顽固性推理模型，用Monte Carlo方法近似，也被称为粒子滤波，已广泛采用。在每一个时间步t，估计涉及的建议分布采样（xtjx0：T1；y0：T）的当前状态下空调的状态X0史：T1到时间t 1和观测的历史y0：T到时间t。 我们还使用序贯Monte Carlo方法在多目标检测。我们的样品从一个序列的概率分布，但序列物种的空间秩序而不是一个时间顺序（图2）。后验分布的每个对象构成了（状态）是基于所有的观察到目前为止估计。观察社区周围的物体从图像特征计算。一个虚拟的国家可能产生的观测是基于确定性模型，通过使用一个大的注释的图像数据库。德-文士的对象的姿势有关的方法是高斯过渡模型大多数的目标检测算法都集中在一个固定的目标姿态参数，在一个二进制类型sication系统[ 17测试，19 ]。采用序贯山姆采样模型允许我们使用对象构成的样本较少的正式推广这类算法对多重的物体。这节省了计算时间和增加交流由于样品从后验分布的概率高精度的区域。从序贯抽样文献对视觉跟踪的许多想法可能扩展到多目标检测。在4节中，我们将演示贝内的采样设计时，多个地标检测左心房的二维图像。不像在跟踪，其中顺序自然是确定的时间发展顺序，多目标检测必须选择。在我们的算法中，顺序是这样选择的，检测的不确定性最小化。因此，而不是使用直接前体，在马尔可夫过程的过渡模式，可以基于任何前兆，这是最佳选择。这导致了一个分层检测网络（HDN）3。一个假设的姿态可能是使用一个受过训练的检测指标计算。检测规模作为另一个参数的似然模型和分层调度是以同样的方式确定为空间计划。 本文的组织如下。我们将在2节的背景概述。在3节中提出了时序多目标检测算法。一套4节中的实验验证了算法的有效性。我们得出结论：本文5节。 2 背景 对象是一组离散的测试和多目标检测算法[17二进制分类器的物体存在，19 ]。这些算法的不同，通常样本参数空间均匀的样品，我们从建议