Visual analytics applied to image analysis

Verbetering van beeldanalyse

Beeldanalyse - het extraheren van informatie uit beelden - is enorm belangrijk voor commerciële en wetenschappelijke toepassingen zoals het vinden van gezichten in foto's of het bepalen van ziektes uit medische beelden. Paulo Rauber bestudeerde mechanismen die helpen om machines te verbeteren bij beeldanalyse taken die moeilijk automatiseerbaar zijn: beeldsegmentatie, featureselectie, en beeldclassificatie.

Beeldsegmentatie betreft het delen van een beeld in relevante  objecten, zoals personen in een doorsnee foto. Hiervoor ontwikkelde hij een techniek die snelle interactieve segmentatie en rijke feature-extractie mogelijk maakt, met als doel een overal verhoogde efficiëntie van beeldanalyse.

Beeldclassificatie betreft het taggen van beelden gebaseerd op informatie geleerd van voorbeelden, zoals het herkennen van een persoon gebaseerd op beelden ervan. Traditionele oplossingen gebruiken features (metingen) om beelden te representeren via kleuren, textuur en vorm. Rauber ontwikkelde een nieuwe interactieve visualisatiemethode die helpt bij het ontwikkelen van effectieve features voor beeldclassificatie. Daarnaast paste hij een voorstel aan om intermediaire resultaten van artificiële neurale netwerken te exploreren, wat inzichten geeft in de operatie ervan. Doel is een globale verbetering van de hele beeldclassificatie. Inzichten hiervan leiden tot de ontwikkeling van een nieuwe tijdsafhankelijke visualisatietechniek voor multidimensionale data.

Paulo Rauber verrichtte zijn promotieonderzoek bij de afdeling Software Engineering van het Johann Bernoulli Instituut, met financiering via het Ubbo Emmius fonds (RUG), en de fondsen CAPES en FAPESP (University of Campinas, Brazilië)

Proefschrift: http://hdl.handle.net/11370/1606c9f6-c850-4a62-89a7-04c3812ba143