-
Notifications
You must be signed in to change notification settings - Fork 0
/
apresentacao.tex
904 lines (770 loc) · 32.4 KB
/
apresentacao.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
\documentclass{templatebeamerufc/libs/ufc_format}
% mini preambulo
\usepackage{subcaption} % subfigure, lado a lado
\usepackage{changepage} % ajusta margens do slide
% Insere preâmbulo com a importação de pacotes
\input{templatebeamerufc/libs/preamble.tex}
% Macros pessoais
\input{lib/macros}
\listfiles
% Título
\title[EGSIS]{\textbf{Segmentação Semi-Supervisionada de Imagens através de
Dinâmicas Coletivas em Redes Complexas}}
% Subtítulo
\subtitle{Um novo método avaliado no cenário de segmentação interativa}
% Autor da apresentação
\author[Manoel Vilela Machado Neto]{
Manoel Vilela Machado Neto
\\~\\
Orientador: Dr.\ Jarbas Joaci de Mesquita Sá Junior
}
% Nome do instituto
\institute[UFC]{
% email para contato
\normalsize{\email{manoel.machado@alu.ufc.br}}
\newline
% Nome do departamento
\department{Engenharia da Computação}
\newline
% Nome da universidade
\ufc{}
}
% date of the presentation
\date{Sobral, 12 de dezembro de 2023}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% Inicío do Documento de Apresentação %%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{document}
% Insere o estílo de código (quase não usado)
\input{templatebeamerufc/libs/code_style}
%% ---------------------------------------------------------------------------
% Primeiro slide (com título, subtítulo, ...)
\begin{frame}{}
\maketitle
\end{frame}
%% ---------------------------------------------------------------------------
% Segundo slide com sumário
\begin{frame}[t, allowframebreaks]{Sumário}
\tableofcontents[sections={1---2}] % chktex 8
\framebreak{}
\tableofcontents[sections={3---6}] % chktex 8
\end{frame}
%% ---------------------------------------------------------------------------------
%% ------------ INTRODUÇÃO -------------------------------
%% ---------------------------------------------------------------------------------
\section{Introdução}
%% ---------------------------------------------------------------------------
\subsection{Tipos de segmentação de imagem}
\begin{frame}{Segmentação de imagens}
\begin{block}{Definição}
Segmentar uma imagem significa dividí-la em regiões de interesse.
\end{block}
Existem alguns tipos diferentes de segmentação de imagens, como por
exemplo:
\begin{enumerate}
\item Segmentação semântica;
\item Segmentação de instâncias;
\item Segmentação interativa.
\end{enumerate}
\end{frame}
\begin{frame}{Segmentação de instâncias e semântica}
% imagem comparando segmentação semântica vs segmentação por instâncias
\begin{figure}\label{fig:semantic-vs-instance-segmentation}
\centering
\caption{Comparação entre segmentação semântica e segmentação de instâncias.}
\includegraphics[scale=0.23]{figuras/image-segmentation-types}
\source{\citeonline{MediumInstanceSegmentation2019}}
\end{figure}
\end{frame}
\begin{frame}{Segmentação interativa}
\begin{figure}\label{fig:interactive--segmentation}
\centering
\caption{Ilustração de segmentação interativa, rotulações em azul e
vermelho.\\ Na imagem à direita, após segmentação o fundo foi removido.}
\includegraphics[scale=0.6]{figuras/interactive-segmentation-2008}
\source{\citeonline{duchenne2008segmentation}}
\end{figure}
\end{frame}
\begin{frame}{Segmentação interativa: alguns casos de uso}
\begin{enumerate}
\item \textbf{Medicina}: usada para identificar e isolar áreas específicas de
interesse em imagens médicas, como tumores em imagens de
ressonância magnética ou células específicas em uma imagem de
microscópio.
\item \textbf{Edição de imagens}: usada para separar objetos de interesse do fundo.
\item \textbf{Agricultura e Geologia}: usada para identificar áreas específicas
em fotos aéreas ou de satélite para uso na agricultura de precisão e
estudos geológicos.
\end{enumerate}
\end{frame}
%% ---------------------------------------------------------------------------
\subsection{Aprendizado de máquina}
\begin{frame}{Aprendizado de máquina}
Em~\cite{samuel1959some}, aprendizado de maquina é definido como:
\begin{block}{Definição} Campo de estudo que dá aos computadores a
habilidade de aprender sem serem explicitamente programados.
\end{block}
\pause{}
\begin{figure}\label{fig:samuel}
\centering
\caption{
Arthur Samuel, 1956, apresenta sua criação ao público na
TV, uma inteligência artificial capaz de jogar damas no
computador IBM 701.
}
\includegraphics[scale=0.18]{figuras/samuel}
\source{\citeonline{press2021machine}}
\end{figure}
\end{frame}
\begin{frame}{Aprendizado semi-supervisionado}
\begin{figure}\label{fig:ilustracao-aprendizado-semi-supervisionado}
\centering
\caption{
O aprendizado semi-supervisionado tem como principal
característica \\ a utilização de dados rotulados e não rotulados na base
de treinamento.
}
\includegraphics[scale=0.1]{figuras/ilustracao-aprendizado-semi-supervisionado}
\source{\fonteautor}
\end{figure}
\end{frame}
\begin{frame}{Aprendizado semi-supervisionado}
\begin{block}{Dados de treinamento}
Dado um conjunto de dados de treinamento $ \mathbf{X} =
\{\vec{x_1}, \vec{x_2}, \ldots, \vec{x_n}\} $, tal que $ \vec{x_n} \in \mathbb{R}^d $,
apenas um subconjunto $ \vec{Y} = \{y_1, y_2, \ldots , y_m\} $,
em que $ (m < n) $, tem rótulos correspondentes.
\end{block}
\pause{}
\begin{block}{Objetivo}
O objetivo do aprendizado semi-supervisionado é usar tanto o
conjunto de dados rotulado quanto o não rotulado para aprender a
função $ f: \mathbf{X} \rightarrow \vec{Y} $ que pode prever o rótulo $ y $ para
um novo exemplo $ \vec{x} $.
\end{block}
\end{frame}
\subsection{Aprendizado indutivo vs aprendizado transdutivo}
\begin{frame}{Aprendizado indutivo vs aprendizado transdutivo}
\begin{figure}\label{fig:induction-vs-transudciton-cropped}
\centering
\caption{
No aprendizado indutivo, como em redes neurais, uma função de
inferência é estimada durante o treinamento. Enquanto isso,
no aprendizado transdutivo a inferência de novos pontos é realizado sem a
necessidade de estimar essa função.
}
\includegraphics[scale=0.42]{figuras/induction_vs_transduction_cropped}
\source{\citeonline{vapnik1995}}
\end{figure}
\end{frame}
\begin{frame}{Aprendizado indutivo vs aprendizado transdutivo}
\begin{figure}\label{fig:transductive-vs-inductive}
\centering
\caption{ Uma ilustração de aprendizado indutivo e aprendizado
transdutivo. }
\includegraphics[scale=0.75]{figuras/transductive-vs-inductive}
\source{\citeonline{vapnik1995}}
\end{figure}
\end{frame}
\subsection{Objetivos}
\begin{frame}{Objetivos}
\begin{alertblock}{Objetivo Geral}
Desenvolver uma nova técnica de segmentação de imagens
semi-supervisionada que possa ser equiparável ao estado-da-arte, com
foco em \textbf{segmentação interativa}.
\end{alertblock}
\pause{}
\begin{itemize}[<+->]
\item Explorar técnicas de redes complexas e dinâmicas coletivas sobre
o problema de segmentação de imagens;
\item Aplicar em casos variados de segmentação de imagens, como
objetos comuns, carros, pessoas, etc.;
\item Avaliar o impacto da segmentação por superpixel na segmentação final;
\end{itemize}
\end{frame}
%% -----------------------------------------------------------------------------------
%% ----- FUNDAMENTAÇÃO TEÓRICA ---------
%% ------------------------------------------------------------------------------------
\section{Fundamentação Teórica}
\subsection{Superpixels}
\begin{frame}{Superpixels}
\begin{columns}{}
\begin{column}{0.6\textwidth}
\begin{block}{Definição}
Superpixels são parte de um grupo de algoritmos de
\textbf{clusterização} de imagens.
\end{block}
\begin{itemize}
\item Eles agrupam pixels vizinhos semelhantes em uma entidade
maior, conhecida como superpixel;
\item Eles são formados com base na similaridade dos pixels em
termos de cor, intensidade e localização na imagem.
\end{itemize}
\end{column}
\begin{column}{0.5\textwidth}
\begin{figure}\label{fig:superpixel-variation}
\centering
\caption{Uma mulher com imagem clusterizada por diferentes
quantidades de superpixels.}
\includegraphics[scale=0.32]{figuras/superpixel-variation}
\source{\citeonline{achanta2010slic}}
\end{figure}n
\end{column}
\end{columns}
\end{frame}
\begin{frame}{Superpixels: SLIC}
\begin{itemize}
\item O algoritmo SLIC~\cite{achanta2010slic} é um
método para segmentação de imagens baseado em superpixel;
\item Pode ser visto como uma variação do algoritmo de clusterização \textbf{k-means} expandindo
o espaço euclidiano ao incluir também o espaço de cores.
\end{itemize}
\begin{figure}\label{fig:slic}
\centering
\includegraphics[scale=0.40]{figuras/slic2}
\source{Elaborado pelo autor baseado em~\citeonline{scikit-image}.}
\end{figure}
\end{frame}
\subsection{Redes complexas}
\begin{frame}{Redes complexas}
\begin{block}{Definição}
Redes complexas são grafos de topologia não-trivial.
\end{block}
\begin{itemize}
\item Redes complexas são usadas para representar uma variedade de
sistemas e fenômenos em diversas áreas, incluindo física, biologia,
ciência da computação, engenharia e ciências sociais;
\item Existem variados algoritmos para geração de redes complexas~\cite{ComplexNetworksSurvey2007};
\item Redes complexas podem ser usadas como um domínio de dados para realizar várias tarefas, incluindo:
\begin{enumerate}
\item Classificação de imagens~\cite{ComplexNetworksImageClassification2015};
\item Extração de características~\cite{JarbasComplexNetworks2020};
\item Segmentação de imagens.
\end{enumerate}
\end{itemize}
\end{frame}
\begin{frame}{Geração de redes complexas}
Neste trabalho, o uso de redes complexas é realizado de uma maneira
acoplada ao algoritmo de superpixels. Nesse cenário, cada superpixel
gerado na imagem é um \textbf{vértice} e as \textbf{arestas} são
geradas com base na vizinhança.
\begin{figure}\label{fig:complex-networks-simplified}
\centering
\includegraphics[scale=0.32]{figuras/complex-networks-simplified}
\source{Elaborado pelo autor baseado em~\citeonline{scikit-image}.}
\end{figure}
\end{frame}
\subsection{Extração de características}
\begin{frame}{Extração de características}
\begin{itemize}
\item A extração de características é realizada através de um
\textbf{janelamento} na imagem pelo superpixel correspondente.
\item Através de pequenos recortes retangulares e uma função de
extração de características, é calculado um vetor de características
que representa aquele \textbf{superpixel}.
\end{itemize}
\begin{figure}\label{fig:superpixels-feature-extraction}
\centering
\caption{Quatro superpixels recortados com o mesmo tamanho de janela.}
\includegraphics[scale=0.4]{figuras/superpixels-feature-extraction}
\source{Elaborado pelo autor baseado em~\citeonline{scikit-image}.}
\end{figure}
\end{frame}
\begin{frame}{Matriz de co-ocorrências}
\begin{itemize}
\item A matriz de co-ocorrências~\cite{haralick1979statistical} é uma técnica de processamento de
imagem que extrai características de textura de uma imagem, contando a
frequência de pares de pixels com intensidades específicas em
distâncias definidas.
\item A matriz é normalmente normalizada para se tornar uma matriz de
probabilidade de co-ocorrência, a partir da qual características como
contraste, correlação, energia e homogeneidade podem ser extraídas.
\end{itemize}
\begin{equation*}\label{eq:comatrix}
C_{\Delta x, \Delta y}(i,j) = \sum_{x=1}^n\sum_{y=1}^m
\begin{cases} 1, & \text{se }I(x,y)=i\text{ e }I(x+\Delta x, y+\Delta y)=j
\\ 0, & \text{caso contrário}
\end{cases}
\end{equation*}
Na equação acima, $C_{\Delta x, \Delta y}(i,j)$ é o número de vezes
que o par de pixels com intensidades $i$ e $j$ ocorre em dois pixels
separados pelas distâncias na imagem $I$.
\vspace{1cm}
\end{frame}
\begin{frame}{Filtros de Gabor}
\begin{block}{Definição simplificada}
Os filtros de Gabor~\cite{daugman1988complete} são filtros de
convolução que podem ser usados na extração de características de
imagens.
\end{block}
\begin{figure}[!h]\label{fig:gabor-filters}
\centering
\caption{Filtros de Gabor variando a angulação $\theta$ e a convolução resultante.}
\includegraphics[scale=0.3]{figuras/gabor-filters}
\source{\citeonline{Kmrinen2012GaborFI}}
\end{figure}
\end{frame}
\subsection{Métricas de distância e similaridade}
\begin{frame}{Métricas de distância e similaridade}
\begin{itemize}
\item Neste trabalho, as métricas de similaridade são utilizadas para comparar a
similaridade entre os vetores de características dos superpixels.
\item Cada técnica de extração de características descrita nos
slides anteriores se comportou melhor com uma métrica de similaridade
diferente.
\item Uma função de similaridade entre dois vetores de
características retorna um valor maior quando os vetores são similares
e tende a zero quanto mais são diferentes.
\item O valor de similaridade determina o \textbf{peso da aresta} entre os dois superpixels.
\end{itemize}
\end{frame}
\begin{frame}{Métricas de distância}
\begin{equation*}\label{eq:distancias}
\begin{aligned}
ed(\vec{x}, \vec{y}) &= \sqrt{{(y_1-x_1)}^2 + {(y_2-x_2)}^2 + \cdots + {(y_n-x_n)}^2} \\
md(\vec{x}, \vec{y}) &= |y_1-x_1| + |y_2-x_2| + \cdots + |y_n-x_n|
\end{aligned}
\end{equation*}
\begin{figure}[!h]
\centering
\caption{
Este trabalho explora a criação de métricas de similaridade a
partir de duas métricas de distância: a distância euclidiana e a
distância de Manhattan.
}
\includegraphics[scale=0.5]{figuras/manhattan-vs-euclidean}
\source{\citeonline{Singh2019}}
\end{figure}
\end{frame}
\begin{frame}{Métricas de similaridade}
\begin{itemize}
\item A distância euclidiana foi usada
para formar a métrica de similaridade euclidiana exponencial, que se
comportou melhor para \textbf{matrizes de co-ocorrências}.
\item A distância de Manhattan foi usada para formar a métrica de
similaridade de manhattan logarítmica, que se comportou melhor para
\textbf{filtros de Gabor}.
\end{itemize}
\begin{equation*}\label{eq:similaridades}
\begin{aligned}
ed\_sim(\vec{x}, \vec{y}) &= \dfrac{1}{e^{ed(\vec{x}, \vec{y})}} \\
md\_sim(\vec{x}, \vec{y}) &= \dfrac{1}{1 + \ln(1 + md(\vec{x}, \vec{y}))}
\end{aligned}
\end{equation*}
\end{frame}
\subsection{Dinâmicas coletivas}
\begin{frame}{Dinâmicas Coletivas}
\begin{block}{Definição}
Dinâmicas coletivas em redes complexas referem-se ao estudo de
como os comportamentos individuais interagem e se combinam para formar
comportamentos coletivos em redes.
\end{block}
\begin{enumerate}
\item Essas redes podem ser de vários tipos, como redes sociais, redes
de computadores, redes biológicas, entre outras.
\item Exemplos de dinâmicas coletivas:
\begin{enumerate}
\item Propagação de doenças em redes de contato;
\item Disseminação de informações ou rumores em redes sociais;
\item Formação de opiniões em grupos sociais;
\item Sincronização de relógios biológicos em redes de neurônios.
\end{enumerate}
\end{enumerate}
\end{frame}
\begin{frame}{LCU:\@ Labeled Component Unfolding}
O algoritmo LCU~\cite{VerriNetworkUnfoldingMap2018} é uma dinâmica coletiva baseada em
propagação de rótulos numa rede complexa inspirada em fenômenos
naturais, como competição e sobrevivência.
\begin{figure}[!h]
\centering
\caption{\label{fig:lcu-execution}
Rede complexa para execução da dinâmica LCU.\@
Anotação parcial em~(\subref{fig:lcu-partial}) e resultado final em~(\subref{fig:lcu-done}).
}
\begin{subfigure}[b]{0.45\textwidth}
\centering
\includegraphics[scale=0.4]{figuras/lcu-partial}
\caption{\label{fig:lcu-partial}}
\end{subfigure}
\quad
\begin{subfigure}[b]{0.45\textwidth}
\centering
\includegraphics[scale=0.4]{figuras/lcu-done}
\caption{\label{fig:lcu-done}}
\end{subfigure}
\source{\fonteautor}
\quad
\end{figure}
\end{frame}
\begin{frame}{LCU:\@ Labeled Component Unfolding}
\begin{figure}[h!]\label{fig:lcu-classification-splig1}
\centering
\caption{
Execução da dinâmica coletiva LCU:\@ (a) rotulação inicial nos
vértices e (b) algumas iterações com dominação de arestas.
}
\includegraphics[scale=0.43]{figuras/lcu-classification-split1}
\source{\citeonline{VerriNetworkUnfoldingMap2018}}
\end{figure}
\vspace{1cm}
\end{frame}
\begin{frame}{LCU:\@ Labeled Component Unfolding}
\begin{figure}[h!]\label{fig:lcu-classification-split2}
\centering
\caption{
Execução da dinâmica coletiva LCU:\@ (c) iteração avançada com
dominação completa das arestas e (d) propagação de rótulos nos vértices.
}
\includegraphics[scale=0.43]{figuras/lcu-classification-split2}
\source{\citeonline{VerriNetworkUnfoldingMap2018}}
\end{figure}
\end{frame}
\begin{frame}{LCU modificado com arestas ponderadas}
\begin{columns}{}
\begin{column}{0.6\textwidth}
A implementação proposta neste trabalho difere da original,
pois inclui a \textbf{similaridade de imagem} entre dois superpixels na rede
complexa como \textbf{peso nas arestas}, criando um fator de aumento da
probabilidade das partículas sobreviverem ao visitar os nós mais promissores.
\end{column}
\begin{column}{0.5\textwidth}
\begin{figure}[h!]\label{fig:lcu-classification-split2}
\centering
\includegraphics[scale=0.21]{figuras/lcu-iteration}
\source{\citeonline{VerriNetworkUnfoldingMap2018}}
\end{figure}
\end{column}
\end{columns}
\end{frame}
\subsection{EGSIS}
\begin{frame}{EGSIS}
\textbf{E}xploratory \textbf{G}raph-based
\textbf{S}emi-supervised \textbf{I}mage \textbf{S}egmentation (EGSIS) é
a técnica de segmentação de imagens proposta neste trabalho.
\begin{enumerate}
\item O modelo EGSIS permite a segmentação transdutiva de imagens
na presença de uma rotulação parcial da imagem;
\item Possui etapas flexíveis para refinamento e otimização,
incluindo método de extração de características, quantidade de
superpixels, função de similaridade, entre outros;
\item O método de segmentação realiza uma transformação do domínio
da imagem para uma rede complexa compatível com a dinâmica coletiva
LCU.\@
\end{enumerate}
\end{frame}
\begin{frame}{EGSIS:\@ Algoritmo}
\begin{enumerate}
\item Inicializa os hiperparâmetros do modelo EGSIS;\@
\item Segmenta a imagem em $n$ superpixels usando SLIC;\@
\item Realiza a construção da rede complexa baseado nos superpixels;
\item Atribui os superpixels rotulados baseado na anotação parcial;
\item Calcula o vetor de características para cada superpixel;
\item Calcula a similaridade entre superpixels da vizinhança;
\item Executa a dinâmica LCU sobre a rede complexa gerada;
\item Reconstrói a máscara de segmentação com base nos vértices rotulados.
\end{enumerate}
\end{frame}
\begin{frame}{EGSIS:\@ Execução}
\begin{figure}[!h]
\centering
\caption{\label{fig:egsis-init}
Construção de superpixels e a rede complexa no modelo EGSIS.\@
}
\begin{subfigure}[b]{0.45\textwidth}
\centering
\includegraphics[scale=0.45]{figuras/egsis-superpixels}
\caption{\label{fig:egsis-superpixels}}
\end{subfigure}
\quad
\begin{subfigure}[b]{0.45\textwidth}
\centering
\includegraphics[scale=0.442]{figuras/egsis-complex-networks}
\caption{\label{fig:egsis-complex-networks}}
\end{subfigure}
\source{Elaborado pelo autor baseado em~\citeonline{scikit-image}}
\quad
\end{figure}
\end{frame}
\begin{frame}{EGSIS:\@ Execução}
\begin{figure}[!h]
\centering
\captionsetup{width=14cm}
\caption{\label{fig:egsis-lcu}
Etapa para propagar rótulos iniciais através da dinâmica coletiva LCU.\@
}
\begin{subfigure}[b]{0.45\textwidth}
\centering
\includegraphics[scale=0.47]{figuras/egsis-partial-labeled}
\caption{\label{fig:egsis-partial-labeled}}
\end{subfigure}
\quad
\begin{subfigure}[b]{0.45\textwidth}
\centering
\includegraphics[scale=0.47]{figuras/egsis-execution}
\caption{\label{fig:egsis-execution}}
\end{subfigure}
\hfill\source{Elaborado pelo autor baseado em~\citeonline{scikit-image}}
\quad
\end{figure}
\vspace{4cm}
\end{frame}
\begin{frame}{EGSIS:\@ Resultado}
\begin{figure}[h!]
\centering
\caption{\label{fig:egsis-mask}
Máscara de segmentação final e a imagem original.\@
}
\includegraphics[scale=0.7]{figuras/egsis-segmentation-mask}
\source{Elaborado pelo autor baseado em~\citeonline{scikit-image}}
\end{figure}
\end{frame}
%% -----------------------------------------------------------------------------------
%% ---------- METODOLOGIA ------------------------------------
%% -------------------------------------------------------------------------------------
\section{Metodologia}
%%
\subsection{Dataset GrabCut}
\begin{frame}{Dataset GrabCut}
\begin{figure}\label{fig:grabcut-dataset}
\centering
\caption{ Para a avaliação deste trabalho,
será usado o dataset GrabCut~\cite{rother2004grabcut}, que contém
\textbf{50 imagens} com segmentação binária e anotações parciais para
segmentação interativa.}
\includegraphics[scale=0.21]{figuras/grabcut-dataset}
\source{\fonteautor}
\end{figure}
\end{frame}
\begin{frame}{Anotação lasso no dataset GrabCut}
\begin{columns}{}
% tabela com descrição da anotação
\begin{column}{0.62\textwidth}
\begin{table}[!h]\label{tab:grabcut-label}
\centering
\resizebox{\columnwidth}{!}{%
\begin{tabular}{lc}
\toprule
Descrição & Nível de cinza \\
\midrule \midrule
fundo & 0 \\
fundo [\textbf{treinamento}] & 64 \\
região de inferência & 128 \\
primeiro plano [\textbf{treinamento}] & 255 \\
\bottomrule
\end{tabular}}
\source{\cite{rother2004grabcut}}
\end{table}
\end{column}
% imagem de exemplo
\begin{column}{0.6\textwidth}
\begin{figure}\label{fig:grabcut-dataset-lasso}
\centering
\includegraphics[scale=0.35]{figuras/grabcut-dataset-lasso}
\source{\citeonline{rother2004grabcut}}
\end{figure}
\end{column}
\end{columns}
\end{frame}
\subsection{Métodos de referência}
\begin{frame}{Métodos de referência}
No artigo~\cite{wang2023review}, os autores realizam uma revisão de
sete métodos de segmentação interativa baseados em grafos. Esses
métodos são avaliados utilizando o dataset GrabCut, entre outros.
\begin{enumerate}
\item GrabCut
\item LazySnapping
\item OneCut
\item Saliency Cuts
\item Iterated Graph Cuts
\item DenseCut
\item Deep GrabCut
\end{enumerate}
\end{frame}
\subsection{Métricas de avaliação}
\begin{frame}{Métricas de avaliação}
As métricas de avaliação que este trabalho será submetido são:
\begin{equation*}\label{eq:metricas}
\begin{aligned}
Precision &= \dfrac{TP}{TP + FP} \\~\\
Recall &= \dfrac{TP}{TP + FN} \\~\\
F1 &= \dfrac{2 \cdot Precision \cdot Recall}{Precision + Recall} \\~\\
IoU &= \dfrac{\left| A \cap B \right|}{\left| A \cup B \right|}
\end{aligned}
\end{equation*}
\end{frame}
\section{Resultados}
\begin{frame}{Avaliação qualitativa}
\begin{figure}\label{fig:imagens-avaliadas}
\centering
\caption{16 imagens do dataset GrabCut usadas na avaliação qualitativa.}
\includegraphics[scale=0.55]{figuras/imagens-avaliadas}
\source{Elaborado pelo autor baseado no dataset GrabCut~\cite{rother2004grabcut}}
\end{figure}
\end{frame}
\subsection{Resultados qualitativos}
\begin{frame}{Avaliação qualitativa: métodos de referência}
\begin{figure}\label{fig:grabcut-comparacao-split1}
\centering
\caption{Avaliação qualitativa de métodos de referência no dataset GrabCut.}
\includegraphics[scale=0.325]{figuras/grabcut-comparacao-split1}
\source{\citeonline{wang2023review}}
\end{figure}
\end{frame}
\begin{frame}{Avaliação qualitativa: métodos de referência}
\begin{figure}\label{fig:grabcut-comparacao-split2}
\centering
\caption{Avaliação qualitativa de métodos de referência no dataset GrabCut.}
\includegraphics[scale=0.325]{figuras/grabcut-comparacao-split2}
\source{\citeonline{wang2023review}}
\end{figure}
\end{frame}
\begin{frame}{Avaliação qualitativa: método EGSIS}
\begin{figure}\label{fig:egsis-qualitativa}
\centering
\caption{Avaliação qualitativa do método EGSIS no dataset GrabCut.}
\includegraphics[scale=0.43]{figuras/egsis-qualitativa-transposto}
\source{Elaborado pelo autor.}
\end{figure}
\end{frame}
\begin{frame}{Avaliação qualitativa: melhor resultado}
\begin{figure}\label{fig:egsis-melhor}
\centering
\caption{Melhor resultado do método EGSIS entre as 16 imagens.}
\includegraphics[scale=0.35]{figuras/egsis-melhor}
\source{Elaborado pelo autor.}
\end{figure}
\end{frame}
\begin{frame}{Avaliação qualitativa: pior resultado}
\begin{figure}\label{fig:egsis-pior}
\centering
\caption{Pior resultado do método EGSIS entre as 16 imagens.}
\includegraphics[scale=0.36]{figuras/egsis-pior}
\source{Elaborado pelo autor.}
\end{figure}
\end{frame}
\subsection{Variação na quantidade de superpixels}
\begin{frame}{Variação na quantidade de superpixels}
\begin{table}[!h]
\centering
\caption{Resultados dos experimentos ao variar o número de superpixels e o método de extração
de características. Em negrito os melhores resultados.}\label{tab:variacao-superpixels}
\resizebox{\columnwidth}{!}{%
\begin{tabular}{lcccc}
\toprule
\textbf{Método} & \textbf{Recall} & \textbf{Precision} & \textbf{F1} & \textbf{IoU} \\
\midrule \midrule
$EGSIS(s=50, f=gabor)$ & 0.7882 & 0.9225 & 0.8414 & 0.7412 \\
$EGSIS(s=100, f=gabor)$ & 0.8592 & 0.9505 & 0.8992 & 0.8232 \\
$EGSIS(s=150, f=gabor)$ & 0.8691 & 0.9550 & 0.9066 & 0.8354 \\
$EGSIS(s=200, f=gabor)$ & 0.8799 & \textbf{0.9620} & 0.9167 & 0.8511 \\
$EGSIS(s=50, f=comatrix)$ & 0.7882 & 0.9225 & 0.8414 & 0.7412 \\
$EGSIS(s=100, f=comatrix)$ & 0.8617 & 0.9510 & 0.9010 & 0.8259 \\
$EGSIS(s=150, f=comatrix)$ & 0.8777 & 0.9552 & 0.9125 & 0.8441 \\
$EGSIS(s=200, f=comatrix)$ & \textbf{0.8877} & 0.9611 & \textbf{0.9212} & \textbf{0.8578} \\
\bottomrule
\end{tabular}
}
\source{\fonteautor}
\end{table}
\end{frame}
\subsection{Resultados quantitativos}
\begin{frame}{Resultados quantitativos}
\begin{table}[!h]
\centering
\caption{Resultados
comparativos entre o método EGSIS e métodos estado-da-arte para
segmentação interativa baseado em grafos. Em negrito os melhores
resultados, em vermelho os piores.}\label{tab:resultados-estado-da-arte}
\resizebox{\columnwidth}{!}{%
\begin{tabular}{lcccc}
\toprule
\textbf{Método} & \textbf{Recall} & \textbf{Precision} & \textbf{F1} & \textbf{IoU} \\
\midrule \midrule
GrabCut & 0.9668 & 0.9213 & \textbf{0.9407} & \textbf{0.8927} \\
LazySnapping & \textbf{0.9681} & 0.9104 & 0.9357 & 0.8842 \\
OneCut & 0.8585 & \red{0.7926} & \red{0.7899} & \red{0.6974} \\
Saliency Cuts & \red{0.8371} & 0.8892 & 0.8255 & 0.7458 \\
Iterated Graph Cuts & 0.9614 & 0.8878 & 0.9212 & 0.8597 \\
DenseCut & 0.8427 & 0.9418 & 0.8561 & 0.7927 \\
Deep GrabCut & 0.8854 & 0.8774 & 0.8701 & 0.7849 \\
$EGSIS(s=200, f=gabor)$ & 0.8799 & \textbf{0.9620} & 0.9167 & 0.8511 \\
$EGSIS(s=200, f=comatrix)$ & 0.8877 & 0.9611 & 0.9212 & 0.8578 \\
\bottomrule
\end{tabular}
}
\source{Baseado nos resultados encontrados no artigo de~\citeonline{wang2023review}}
\end{table}
\end{frame}
\section{Conclusão}
\begin{frame}{Principais conclusões}
\begin{enumerate}[<+->]
\item Desenvolvimento de um novo algoritmo chamado EGSIS que permite
a resolução de problemas de segmentação interativa de imagens.
\item O algoritmo EGSIS apresentou uma \textbf{eficácia equiparável}
aos métodos estado-da-arte baseados em grafos para segmentação
interativa de imagens.
\item A qualidade da segmentação final é altamente dependente da
qualidade da pré-segmentação com superpixels.
\item Melhores resultados foram alcançados com um \textbf{maior número de
superpixels}, mas isso também aumentou o tempo de execução do
algoritmo.
\item O algoritmo possui várias partes móveis e trocáveis, permitindo a
evolução de técnicas para melhorar a qualidade de segmentação final.
\end{enumerate}
\end{frame}
\subsection{Limitações e desafios}
\begin{frame}{Limitações e desafios}
\begin{enumerate}[<+->]
\item A busca por trabalhos de referência com a palavra-chave
semi-supervisionado foi desafiadora, mas a mudança para
\textbf{segmentação transdutiva e interativa} permitiu encontrar trabalhos
mais relevantes.
\item A falta de datasets para segmentação interativa com anotação
parcial inicial limitou a exploração e comparação com outros
datasets e técnicas, restringindo o trabalho ao dataset GrabCut.
\item O algoritmo EGSIS permite segmentação interativa
multi-classes, mas a dificuldade em encontrar datasets públicos com rotulações
parciais restringiu o avanço desta linha de pesquisa.
\item Há espaço para crescimento na pesquisa de algoritmos de
segmentação interativa multi-classes. Um novo conjunto de dados para
benchmark seria uma contribuição relevante.
\end{enumerate}
\end{frame}
\subsection{Trabalhos futuros}
\begin{frame}{Trabalhos futuros}
\begin{enumerate}[<+->]
\item A pesquisa sobre algoritmos transdutivos de segmentação de
imagens ainda está em evolução, mas com menos volume que as técnicas
indutivas.
\item Métodos de superpixel, extração de características, construção
da rede complexa e dinâmica coletiva são partes móveis que podem ser
refinadas.
\item Extração de características de imagens: este trabalho
limitou-se à matrizes de co-ocorrências e filtros de Gabor. Trabalhos
futuros podem explorar \textbf{técnicas estado-da-arte de extração de
características}.
\item \textbf{Minimização do número de cliques de anotação}: estudos recentes~\cite{chen2022focalclick}
buscam técnicas que minimizem o número de cliques de anotação
necessários para alcançar segmentações de boa qualidade.
\end{enumerate}
\end{frame}
%% ---------------------------------------------------------------------------
% Slides de referência
\section{Referências}
\begin{frame}[t, allowframebreaks]
\frametitle{Referências}
% Inserting the references file
\bibliography{3-pos-textuais/referencias.bib}
\end{frame}
%% ---------------------------------------------------------------------------
% Slide final com agradecimento e contato
\begin{frame}{}
\centering
\huge{\textbf{\example{Obrigado pela atenção!}}}
\vspace{1cm}
\Large{\textbf{Contato:}}
\newline
\vspace*{0.5cm}
\large{\email{manoel.machado@alu.ufc.br}}
\end{frame}
\end{document}