Tez No	İndirme	Tez Künye	Durumu
488359		Bayesian methods for segmentation of objects from multimodal and complex shape densities using statistical shape priors / Çok doruklu ve karmaşık şekil dağılımlarından gelen nesnelerin istatistiksel şekil ön bilgisi kullanarak bölütlenmesi için Bayesçi yaklaşımlar Yazar:ERTUNÇ ERDİL Danışman: DOÇ. DR. MÜJDAT ÇETİN ; DOÇ. DR. DEVRİM ÜNAY Yer Bilgisi: Sabancı Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Bilimleri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Mühendislik Bilimleri = Engineering Sciences Dizin:Görüntü bölütleme = Image segmentation	Onaylandı Doktora İngilizce 2017 157 s.
Sınırlı ve düşük kaliteli görüntüler içeren bir çok bölütleme probleminde bölütlenecek nesne ile ilgili istatistiksel şekil ön bilgisini kullanmak bölütleme sonuçlarını önemli derecede iyileştirmektedir. Ancak, şekil uzayında olasılık yeğinlik fonksiyonunun tanımlanması, özellikle şekil çok doruklu bir şekil yeğinlik fonksiyonundan geliyorsa, zorlu ve araştırmaya açık bir problemdir. Literatürde parametrik olmayan şekil ön bilgisinden yararlanarak bir eğitim kümesinden şekil önsel dağılımını öğrenen yöntemler bulunmaktadır. Bu yöntemler, sınırlı ve düşük kaliteli veride bulunan nesneleri sonsal dağılımın en büyüğü kestirimi yöntemi ile bölütler. Ancak bu yöntemler, veriden gelen bilgi ile bulunan bölütleme sınırlarının, sonsal dağılımın en büyüğü kestirimi sonsal dağılımın istenilen doruğuna yakınsayacak şekilde iyi bir ilklendirme olduğu kabullenmesini yapar. Bu kabullenme ile ilgili iki temel problem vardır. Birinci problem, veri kötüleştikçe bu yöntemlerin istenen çözüm olmama ihtimali olan bir yerel en iyi çözümünde takılı kalmasıdır. İkinci problem, ilklendirmenin iyi olduğu durumda istenilen yerel en iyi ¸çözüme gidilse bile, sonsal dağılımın farklı doruklarındaki diğer olası çözümler ile ilgili bir bilgi vermemesidir. Bu tezde, çok doruklu sonsal dağılımlardan gelen şekillerin verinin yeterince iyi olmadığı durumlarda bölütlenmesi için yöntemler önermekteyiz. Önerdiğimiz ilk yöntem bölütleme problemini şekil ve öz nitelik ortak sonsal dağılımı olarak temsil eder. Bir eğitim veri kümesinden öğrenilen ortak şekil ve öz nitelik önsel dağılımı kullanılarak sonsal dağılımın en büyüğü kestirimi yöntemi ile bölütleme sonucu elde edilir. İkinci olarak bölütleme problemine Bayesçi çıkarım bakış açısından bakmaktayız. Bu tezde Markov zinciri Monte Carlo örneklemesi tabanlı, sonsal dağılımdan örnekler üreten iki farklı yöntem önermekteyiz. Bu tezdeki son katkı olarak ikili şekil dağılımlarını, yerel şekil ön bilgisi ve Boltzmann makinasından yararlanarak öğrenen yeni bir şekil modeli önermekteyiz. Bu tezde, üretici modeller bölütleme problemi için kullanılmamış olsa da bu amaçla kullanılabilmeleri mümkündür. Bu tezde tanıtılan yöntemlerin kaynak kodları https://github.com/eerdil adresinde erişime açık olacaktır.
In many image segmentation problems involving limited and low-quality data, employing statistical prior information about the shapes of the objects to be segmented can significantly improve the segmentation result. However, defining probability densities in the space of shapes is an open and challenging problem, especially if the object to be segmented comes from a shape density involving multiple modes (classes). In the literature, there are some techniques that exploit nonparametric shape priors to learn multimodal prior densities from a training set. These methods solve the problem of segmenting objects of limited and low-quality to some extent by performing maximum a posteriori (MAP) estimation. However, these methods assume that the boundaries found by using the observed data can provide at least a good initialization for MAP estimation so that convergence to a desired mode of the posterior density is achieved. There are two major problems with this assumption that we focus in this thesis. First, as the data provide less information, these approaches can get stuck at a local optimum which may not be the desired solution. Second, even though a good initialization directs the segmenting curve to a local optimum solution that looks like the desired segmentation, it does not provide a picture of other probable solutions, potentially from different modes of the posterior density, based on the data and the priors. In this thesis, we propose methods for segmentation of objects that come from multimodal posterior densities and suffer from severe noise, occlusion and missing data. The first framework that we propose represents the segmentation problem in terms of the joint posterior density of shapes and features. We incorporate the learned joint shape and feature prior distribution into a maximum a posteri- ori estimation framework for segmentation. In our second proposed framework, we approach the segmentation problem from the approximate Bayesian inference perspective. We propose two different Markov chain Monte Carlo (MCMC) sampling based image segmentation approaches that generates samples from the posterior density. As a final contribution of this thesis, we propose a new shape model that learns binary shape distributions by exploiting local shape priors and the Boltzmann machine. Although the proposed generative shape model has not been used in the context of object segmentation in this thesis, it has great potential to be used for this purpose. The source code of the methods introduced in this thesis will be available in https://github.com/eerdil.