Transformée de Hough sans a priori pour la segmentation

Adrien Chan-Hon-Tong (1) , Catherine Achard (2) , Laurent Lucat (1)

1 LIST (CEA) - Laboratoire d'Intégration des Systèmes et des Technologies
2 ISIR - Institut des Systèmes Intelligents et Robotique

Hough-Transform framework allows to compute multi-class segmentation in multi-dimensional data (e.g. time series-images-videos). However, standard Hough methods like Implicit Shape Model (ISM) provide poor accuracy. Several extensions like Max-Margin Hough Transform (MMHT) or Implicit Shape Kernel (ISK) which consists to add discriminative parameters to the generative ones introduced by ISM have reported experimental improvements. In this paper, we directly optimize all variables of the Hough transform in discriminative way. Our new Hough Transform significantly outperforms previous ones on honeybee dataset.

Le paradigme de la transformée de Hough permet de réaliser une segmentation multi-classes dans des données multi-dimensionnelles i.e. des séries temporelles, des images, des vidéos... Cependant, la version standard de la transformée de Hough dite Implicit Shape Model (ISM) est peu discriminante. Des extensions comme Max-Margin Hough Transform (MMHT) ou Implicit Shape Kernel (ISK) consistant à ajouter des paramètres discriminatifs aux paramètres génératifs de ISM offrent des améliorations de performances. Dans cet article, nous optimisons directement toutes les variables de la transformée de Hough de façon discriminative. Les performances de cette nouvelle méthode de Hough sont significativement meilleures que celles des précédentes sur le jeu de données honeybee.

Domaines: Traitement des images [eess.IV]

Adrien Chan-Hon-Tong, Catherine Achard, Laurent Lucat. Transformée de Hough sans a priori pour la segmentation. XXIV Colloque Gretsi, Sep 2013, Brest, France. ⟨hal-01165929⟩