Normalização espacial não rígida de imagens assistida por metamodelos

Abstract

Classicamente aplicados em simulações computacionais como CFD (Computational Fluid Dynamics) e FEM (Finite Element Method), metamodelos para otimização trouxeram resultados relevantes para aproximar a função objetivo no espaço de busca e resolver problemas em que o cálculo da função objetivo exige elevados recursos computacionais. Recentemente, com a evolução de novos algoritmos de aprendizado de máquina e reconhecimento de padrões, esta técnica também mostrou-se bem sucedida para acelerar o processo de ajuste dos hiperparâmetros de modelos que antes dependiam de um conhecimento profundo sobre os seus fundamentos matemáticos ou da busca exaustiva pelos parâmetros ótimos. Neste contexto, esta dissertação propõe uma metodologia para aplicação de otimização assistida por metamodelos na área de visão computacional, mais especificamente em normalização espacial não rígida de imagens. Este tópico de pesquisa tem sido pouco explorado pela literatura de otimização assistida por metamodelos, além de ser computacionalmente complexo devido às múltiplas opções de ajuste dos parâmetros. Denominada aqui de Normalização Espacial Não Rígida de Imagens Assistida por Metamodelos, a metodologia proposta descreve uma nova métrica que leva em consideração o compromisso em deformar os elementos geométricos da imagem preservando suas características estatísticas principais. Este estudo descreve também duas taxonomias, uma metodologia proposta. Após os experimentos em três bases de imagens distintas, os resultados obtidos mostram que a qualidade da normalização espacial não rígida pode ser otimizada por meio da métrica proposta, e o metamodelo construído auxilia tanto no processo de otimização como na compreensão maior do comportamento da função objetivo no espaço de busca.

Classically used for computational simulations such as CFD (Computational Fluid Dynamics) and FEM (Finite Element Method), surrogate-assisted optimization led to consistent findings to approximate the objective function in the search space and to deal with problems where the calculation of the objective function demands excessive computational resources. Recently, along the improvement of new machine learning and pattern recognition algorithms, this technique also proved to be successful in speeding the task of hiperparameter tuning for models which previously relied on a broad understanding about its mathematical principles or brute force search to find the optimal parameters. In this context, this work introduces a framework that applies surrogate-assisted optimization in the field of computer vision, more specifically, in nonrigid image registration. This research topic has been scarcely explored by authors in the literature of surrogate-assisted optimization, besides being computationally intricate due to the multiple options for parameter tuning. Named here as Surrogate-Assisted Nonrigid Registration (SANRR), this proposed framework describes a novel measure that takes into consideration the trade-off between deforming the geometrical elements of the image and retaining its principal statistical features. This study also defines two taxonomies, one regarding optimization and another regarding image registration, prior to establishing the theoretical concepts behind the proposed framework. After the experiments in three different image data sources, the results indicate that the performance and quality of the nonrigid registration can be optimized by the proposed measure, and the trained surrogate model assists with the optimization process, as well as a more extensive comprehension of the behavior of the objective function in the search space.