beeldsegmentering

Beeldsegmentering is het proces waarbij een digitale afbeelding wordt opgesplitst in regio’s die samen een interpreteerbaar beeld vormen. Voor elk pixel wordt een label toegewezen dat aangeeft tot welke regio of welk object het behoort. Segmentatie vormt de basis voor verdere analyse zoals objectherkenning en scènebegrip.

Er zijn verschillende typen segmentatie: semantische segmentatie labelt alle pixels volgens het objecttype zonder onderscheid tussen individuele exemplaren; instance segmentatie gaat verder door elke afzonderlijke instantie van een object te identificeren; panoptic segmentatie combineert semantische en instance segmentatie tot één consistente kaart.

Technieken variëren van traditionele computer vision-methoden zoals drempeltechnieken, k-means clustering, watershed en grafgebaseerde methoden tot moderne diepe leermodellen. Diepe netwerken zoals Fully Convolutional Networks (FCN), U-Net en Mask R-CNN leveren state-of-the-art prestaties en kunnen nauwkeurig grenzen leren detecteren.

Evaluatie gebeurt met metriek zoals Intersection over Union (IoU), Dice-coëfficiënt en pixel-accurates. Belangrijke datasets zijn PASCAL VOC, COCO, Cityscapes en medische beeldvorming datasets. Toepassingen omvatten medische beeldvorming, autonome voertuigen, remote sensing, videosegmentatie en augmented reality.

Uitdagingen zijn onder meer variatie in belichting en occlusie, grensonduidelijkheid, class-imbalance en de grote hoeveelheid gelabelde data die nodig is voor training. Real-time vereisten, generalisatie naar nieuwe domeinen en interpretability zijn ook aandachtspunten.