L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions
(DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes
situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat
mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix
OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM).
Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar
la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error.
Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les
CM, el problema és que aquests mètodes no són capaços de comparar equitativament
les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el
rendiment de les tècniques d’OF.
Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines
parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a
definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal
de definir aquesta metodologia, la tesis engloba els següents punts:
• Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen
de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de
les gràfiques descriptives, donada una gràfica representant la parella OF-CM,
donem una qualificació automàtica que categoritza la gràfica donat el tipus de
perfil.
• Metodologia estadística. Es proporciona una metodologia comparativa que
permet determinar quina és la millor parella OF-CM per a acotar l’error de
l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu
de la CM mitjançant la gràfica descriptiva. Després, per a una mostra
de gràfiques descriptives calculades sobre unes seqüències de training, s’obté
una corba genèrica que es podrà fer servir per a seqüències que no tenen ground
truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats
per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s.
La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En
concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o
deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per
a millorar la navegació dintre l’arbre bronquial en una broncoscòpia. / Optical Flow (OF) is the input of a wide range of decision support systems such as
car driver assistance, UAV guiding or medical diagnose. In these real situations, the
absence of ground truth forces to assess OF quality using quantities computed from
either sequences or the computed optical flow itself. These quantities are generally
known as Confidence Measures, CM. Even if we have a proper confidence measure
we still need a way to evaluate its ability to discard pixels with an OF prone to
have a large error. Current approaches only provide a descriptive evaluation of the
CM performance but such approaches are not capable to fairly compare different
confidence measures and optical flow algorithms. Thus, it is of prime importance
to define a framework and a general road map for the evaluation of optical flow
performance.
This thesis provides a framework able to decide which pairs ”optical flow - con-
fidence measure” (OF-CM) are best suited for optical flow error bounding given a
confidence level determined by a decision support system. To design this framework
we cover the following points:
• Descriptive scores. As a first step, we summarize and analyze the sources of
inaccuracies in the output of optical flow algorithms. Second, we present several
descriptive plots that visually assess CM capabilities for OF error bounding. In
addition to the descriptive plots, given a plot representing OF-CMcapabilities to
bound the error, we provide a numeric score that categorizes the plot according
to its decreasing profile, that is, a score assessing CM performance.
• Statistical framework. We provide a comparison framework that assesses
the best suited OF-CM pair for error bounding that uses a two stage cascade
process. First of all we assess the predictive value of the confidence measures by
means of a descriptive plot. Then, for a sample of descriptive plots computed
over training frames, we obtain a generic curve that will be used for sequences
with no ground truth. As a second step, we evaluate the obtained general curve
and its capabilities to really reflect the predictive value of a confidence measure
using the variability across train frames by means of ANOVA.
The presented framework has shown its potential in the application on clinical
decision support systems. In particular, we have analyzed the impact of the different
image artifacts such as noise and decay to the output of optical flow in a cardiac
diagnose system and we have improved the navigation inside the bronchial tree on
bronchoscopy.
| Identifer | oai:union.ndltd.org:TDX_UAB/oai:www.tdx.cat:10803/305105 |
| Date | 27 July 2015 |
| Creators | Márquez Valle, Patricia |
| Contributors | Gil Resina, Debora, Hernàndez i Sabaté, Aura, Universitat Autònoma de Barcelona. Departament de Ciències de la Computació |
| Publisher | Universitat Autònoma de Barcelona |
| Source Sets | Universitat Autònoma de Barcelona |
| Language | English |
| Detected Language | English |
| Type | info:eu-repo/semantics/doctoralThesis, info:eu-repo/semantics/publishedVersion |
| Format | 103 p., application/pdf |
| Source | TDX (Tesis Doctorals en Xarxa) |
| Rights | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/, info:eu-repo/semantics/embargoedAccess |
Page generated in 0.0019 seconds