Модельная внешность — что это?
Кто может стать моделью
Если вы интересуетесь моделлингом, то неоднократно слышали определение «модельная внешность». Обычно, все агентства приглашают на кастинги девушек именно с такой внешностью. Но как определить, подходите ли вы под эти стандарты, и вообще, что это означает? В этой статье, я дам подробные ответы на эти вопросы.
Как определить модельная ли у вас внешность?
В самом начале скажу, что стандарт внешности модели и классическая женская красота — это не всегда одно и то же. Конечно, среди моделей встречаются девушки с очень красивыми чертами лица, но это не является обязательным требованием. Каждый день, на улицах города можно видеть сногсшибательных красоток, тем не менее, они никогда не станут моделями. Почему это так?
Модельная внешность — это совокупность роста, объемов, пропорционального телосложения, формы и черт лица.
Читайте об основных типажах лица модели
Модельная фигура и рост
Давайте начнем с роста и фигуры.
В модельном бизнесе существуют определенные требования к росту. Фотомоделью может работать девушка с любым ростом, но манекенщица должна быть высокой. Обычно это 174 – 180 см. На азиатских подиумах можно встретить моделей пониже, но на европейских и американских — рост важное требование. Что касается фигуры, то принято считать «модельными» объемы тела 90-60-90. На практике, эти параметры несколько меньше, приблизительно 85-58-87. Обязательным является общая пропорциональность фигуры.
Лицо модели
Классическая красота женского лица — не является обязательным условием для модели. Не обязательно обладать яркой, запоминающейся внешностью. Гораздо важнее — возможность придавать лицу необходимый образ, чем и занимаются визажисты. На одном показе модель должна предстать в нежном, романтическом образе, на втором — в образе «роковой», эксцентричной женщины. Поэтому, важно, чтобы визажист с помощью косметики мог легко придавать девушке нужный образ. При этом, преимуществом будет наличие своих красивых бровей, ухоженных волос.
Нужно сказать, что в модельном бизнесе много примеров, когда успешными моделями становились девушки с «изюминкой» внешности. Это могут быть выразительные губы, глаза, скулы, общая форма лица и др. С другой стороны, нужно понимать, что достичь успеха такой девушке — зачастую сложнее, чем «классическим» моделям. Обычно, модельеры не хотят концентрировать внимание публики на внешности модели, это отвлекает от одежды, которую она демонстрирует. Но иногда, находят компромисс, когда необычная внешность модели гармонирует с костюмом, аксессуарами, концепцией коллекции. В таком случае, у модели есть все шансы войти в «высшую лигу» и на постоянной основе представлять определенный бренд или коллекцию.
Модельная внешность у мужчин
Как и в женском варианте, для парней важно обладать высоким ростом, пропорциональным телосложением и лицом, способным к перевоплощению. Рост парней-моделей обычно составляет 185-195 см., при этом важно иметь красивую фигуру. Интересно, что для парней — понятие модельной фигуры, несколько отличается от женского.
Но в целом, более востребованы все таки худые парни, которые тем не менее имеют развитый скелет. Это широкие плечи, не впалая грудная клетка, длинные ноги и руки. Что касается лица — здесь все идентично с женским вариантом, необходимо иметь такие черты лица, которым легко придать нужный образ. Хотя, наличие «изюминки» никто не отменял.
Напоследок, замечу, что речь шла о стандартной модельной внешности. Кроме этого существуют категория моделей Plus Size, или другие вариации. Поэтому, даже если вы не обладаете классическими параметрами — всегда можно пробовать себя в других номинациях.
Модельная внешность, это какая внешность: стандарты, что такое эталон
Модельный эталон подразумевает серьезные требования, соответствовать которым достаточно сложно. Это совокупность внешних характеристик, позволяющих реализовать себя в такой сфере деятельности, как моделинг.
Требования, предъявляемые профессиональным моделям:
- Высокий рост. Мало кто из моделей может похвастаться миниатюрностью. Показатель роста в данном случае не должен быть ниже 175 см, если работать предстоит в европейских странах. В Азии допустим уклон в меньшую сторону (от 168 см до 172 см).
- Худощавость. Как девушки, так и юноши должны иметь поджарое, сухощавое телосложение. Допустимые размеры одежды варьируются от 40 до 44 (при высоком росте).
- Параметры фигуры. 90–60–90 — условный идеал. Наиболее желательны отклонения в меньшую сторону.
Конкурентоспособность модели оценивается по ее субтильности. - Черты лица. Они должны быть цепляющими, с некой «изюминкой». В этом случае приветствуется нестандартность (наличие веснушек и родимых пятен, гетерохромия и пр.).
Конкурентоспособность модели оценивается по ее субтильности.Как изменились модельные стандарты
Культ хрупкости, активно распространяемый в 90-е годы, постепенно начинает ослабевать. В связи с тем, что движение бодипозитив обретает популярность, девушки с пышными формами пробуют свои силы на подиуме. Модели plus-size стремятся доказать представительницам нежного пола, что необязательно изнурять себя диетами и тренировками, чтобы выглядеть ухоженно и привлекательно. Нужно любить свое тело таким, какое оно есть, сбалансированно питаться и заниматься спортом в удовольствие, а не ради чужого одобрения. Модельная внешность — это, в первую очередь, естественность и уверенность.
Во многих странах в настоящее время действует запрет на приглашение моделей, имеющих нездоровую худобу.
Это связано, в первую очередь, с реакцией общественности. Многие девушки, желая быть похожими на тощих знаменитостей, сталкиваются с пищевыми расстройствами. Не понимая, что их идеал является нездоровым, они доводят себя до истощения. Данная проблема не теряет актуальности и по сей день несмотря на то, что годы «героинового блеска» уже позади.
О чем нужно помнить, глядя на фотографии топ-моделей
Знаменитости — не менее обычные люди, чем все мы. Правда, живется им гораздо сложнее, поскольку приходится соответствовать требованиям масс-медиа и улыбаться на камеру. Ради фотосессий, которые будоражат поклонников, они вынуждены страдать. Строгий рацион, ежедневные физические нагрузки, роскошные наряды и сложные позы — неизменные составляющие быта моделей. Не стоит также забывать о том, что после фотосъемок над их образом трудятся мастера фотошопа. Результат работы специалистов — предмет зависти окружающих, поэтому мучить себя не имеет смысла.
Авторские права на статью принадлежат интернет-сайту 101da.
ru. Копирование материала запрещено!
Моделирование внешности
Мотивация : Обычно решаются различные задачи на зрение.
сталкиваются с изменениями внешнего вида из-за изменения освещения. Для
Например, в системе распознавания было показано, что
изменчивости внешнего вида человеческого лица преобладают изменения в
условия освещения, а не личность человека. Моя страсть
включает в себя извлечение информации о содержимом изображения
на основе понимания лежащей в основе физики, которая управляет тем, как
имидж сформировался. Теоретически из-за произвольности
функция освещения, пространство всех возможных изображений фиксированной позы
объект при всех возможных условиях освещения имеет бесконечную
измерение. Тем не менее было доказано, что множество образов
выпуклая ламбертова поверхность при дальнем освещении лежит вблизи
маломерное линейное подпространство. Этот результат также был распространен на
включают неламбертовские объекты с невыпуклой геометрией.
В моей кандидатской диссертации. исследования я предложил аналитическую формулировку
построение подпространства внешнего вида, чтобы зафиксировать полное поведение сложных
освещенность и реальная отражательная способность, и в процессе учитывались
для полусферической природы функций отражения поверхности для моделирования
физически правдоподобные материалы поверхности. Суть моей работы в этом
область — это феноменологические модели отражения, которые фиксируют внешний вид
вариации посредством математической абстракции процесса отражения.
В частности, гармоническое разложение уравнения освещенности изображения
можно использовать для получения аналитического подпространства для представления изображений под
фиксированная поза, но разные условия освещения.
Триология формирования изображения, для освещения используются источники света трехмерный объект в космосе, который будет захвачен системой обработки изображений, то есть камера, чтобы сформировать захваченное/наблюдаемое изображение. Сформированный образ зависит от трех основных компонентов; (1) Камера (зритель) характеризуется своей проекционной моделью (орфографическая или перспективная проекция), внутренние и внешние параметры, (2) освещенность (свет источник(и)), используемый для освещения снимаемого объекта, характеризующийся по направлению, положению, геометрии и интенсивности, и (3) объект сам определяется своей трехмерной структурой, т. е. формой/геометрией поверхности, и отражательные свойства поверхности. Сформированное изображение в конце представляет собой двумерный рисунок яркости.
- Аналитический внешний вид моделей по ламбертовской отражательной способности
- Феноменологический Представление произвольного отражения
- Аналитический внешний вид моделей при произвольном коэффициенте отражения
- Внешний вид моделей для реконструкция поверхности лица
- Внешний вид моделей для реконструкция челюсти человека
Аналитические модели внешнего вида при ламбертовской отражательной способности
Я начал с изучения очень ограничительного случая выпуклого ламбертиана.
поверхности, когда освещенность изображения захватывается с одной точки зрения с
предположения о дальнем и ближнем освещении. В таком случае видимый
часть поверхности объекта образует верхнюю полусферу
нормали к поверхности, где сферические гармоники больше не являются ортонормированными.
Предполагая отсутствие взаимного отражения и учитывая источник(и) света
распределены равномерно по верхней полусфере, я предложил использовать
полусферические гармоники (HSH) для моделирования такого случая, в то время как я доказал
аналитически и подтверждено экспериментально, что ламбертианское
ядро коэффициента отражения имеет более компактное гармоническое разложение в
полусферический домен по сравнению со своим сферическим аналогом.
Рассмотрим объект в фиксированной позе, освещенный одним или
более направленный источник света. Под одной точкой зрения видимое
часть будет полусферой нормалей поверхности, обращенной к зрителю. Таким образом,
функция освещения и коэффициент отражения поверхности теперь определяются
Верхнее глобальное полушарие.
n(\mathbf{n}_j)\)
, полученный в соответствии с коэффициентом отражения Ламберта.
«вопрос» заключается в том, как эффективно и точно представить изображение
излучение в этой полусферической области? Где полусферические функции
присутствуют разрывы на границе полушария, когда
представлены в сферической области, требуя большего количества коэффициентов для
точное представление.
Слева направо; графическое представление первых девяти
коэффициенты гармонического разложения ядра Ламберта при
освещение, относительная энергия, поддерживаемая каждым коэффициентом, и
кумулятивная энергия. Обратите внимание, что ядро Ламберта действует как фильтр нижних частот.
фильтр, где частота среза в полусферических гармониках (HSH)
меньше, чем у сферических гармоник (СГ) и
полусферические домены Зернике (HZ), допускающие меньшее количество компонентов
для представления ядра Ламберта. Эти значения были подтверждены с помощью
Интеграция Монте-Карло. В крайнем правом столбце ядро Ламберта
срез (сплошной/зеленый) и его аппроксимация первого порядка с использованием (а) SH
(штриховые/синие), (b) HZ (штриховые/черные) и (c) HSH (штриховые/красные).
Восстановление распределения освещения (т. е. инверсное освещение)
на основе внешнего вида объектов вспомогательных приложений, таких как дополненные
реальности, где вставленные виртуальные объекты должны разделять
условия освещенности входного изображения. Согласно предыдущим работам,
принято предполагать наличие предшествующей модели просматриваемого
сцена захватывает его геометрию и альбедо. Мы провели иллюминацию
эксперименты по переносу, в которых мы восстанавливали освещение по изображению
объект (называемый «источником») и использовать восстановленное освещение для
визуализировать другой объект (называемый «целью»). Мы количественно
оценил предлагаемую основу освещенности изображения по сравнению с (1)
ортогональная СГ первого порядка [1], где QR-разложение применяется к
матрица, столбцами которой являются СГ первого порядка и (2) линейная
комбинация СГ более высокого порядка на основе аналитического МГК [2].
[1] Р. Басри, Д. В. Джейкобс. «Ламбертовская отражательная способность и линейная
подпространства», IEEE Trans. Анальный узор. Мах. Интеллект., 2003, 25, (2),
стр. 218–233
Связанные публикации:
Ширин Ю. Эльхабиан и Али А. Фараг. К Эффективное моделирование энергетической освещенности выпуклых ламбертовских поверхностей под Единая точка обзора и фронтальное освещение. ИЭТ Компьютер Видение , 7(6) (2013): 478-487.
Ширин Ю. Эльхабиан , Хам Рара и Али Фараг.
На пути к точному и
Эффективное представление освещенности изображения выпуклым ламбертианом
Объекты под неизвестным ближним освещением. Международная конференция
Компьютерное зрение (ICCV) , стр. 1732–1737, ноябрь 2011 г.
Ширин Ю. Эльхабиан , Хам Рара, Али Фараг. Моделирование Ламберта Поверхности при неизвестном дальнем освещении с использованием полусферических Гармоники. Восьмая канадская конференция по компьютерам и роботам Vision (CRV) , стр. 293-300, 2011.
Ширин Ю. Эльхабиан , Хам Рара и Али Фараг. Об использовании Полусферические гармоники для моделирования изображений объекта при известных Дальнее освещение. Международная конференция имиджа Процессинг (ICIP) , стр. 1109–1112, сентябрь 2011 г.
Вернуться к топ
Феноменологическое представление произвольного отражения
Отойдя от предположения Ламберта, я осознал необходимость
формулировка уравнения освещенности изображения с учетом
локальной системе координат, в которой освещение воспринимается относительно
точки поверхности.
Точка \(\mathbf{x}\) на Поверхностный патч видит окружающий мир через единичную полусферу \(\Омега’\) с центром в этой точке. нормаль к поверхности \(\overrightarrow{\mathbf{n}}(\mathbf{x})\) в точке поверхности \(\mathbf{x}\) определяет ориентацию полушария. Падающий луч света \(\overrightarrow{\omega}’_i\) в точку \(\mathbf{x}\) определяется по его направлению \((\theta’, \phi’)\) в сферических/угловых координатах.
В частности, я предложил полный ортонормированный базис для обеспечения компактное и эффективное представление для поверхностного двунаправленного функция распределения отражения (BRDF), которая определяется на Декартово произведение двух полушарий. Предлагаемая основа, которая определенные в терминах полусферических гармоник (HSH), сохраняют Свойство взаимности Гельмгольца BRDF, избегая при этом вычислительных сложность, унаследованная от полиномов Цернике, которые обычно используются для построить полусферическое основание.
Визуализация до 3-го порядка предложенного Гельмгольца
базис отражательной способности поверхности в направлении падения \(\overrightarrow{\omega}’_i =
(\пи/3,0)\).
Представлено аналитическое и экспериментальное обоснование таким образом, что для данного порядка усечения отражательной способности предлагаемое полусферическое основание обеспечивают лучшую точность аппроксимации BRDF по сравнению с аналогичными базами в литературе. В то время как полусферическое основание обеспечивают более высокую точность аппроксимации по сравнению со сферическими, на основе сохранения свойства Гельмгольца наблюдалось более высокое уровни точности по сравнению с другими.
Номер ортонормированного базиса отражения, доступного до
порядок отражения \(p = r = P\) для (a)
анизотропный и (б) изотропный случаи. Можно отметить, что предложенный
базис имеет больше ортонормированных базисов в более низких порядках по сравнению с базисом
Кендеринк и др. [*] приводит к более компактному представлению для
поверхностный БРДФ.
[*] Дж. Кендеринк и А. ван Дорн. Феноменлогическое описание
двунаправленное поверхностное отражение. Журнал Оптического общества
Америка, 15(11):2903–2912, 1998.
Реконструкция ядра идеального зеркального отражения,
где луч света (выделен оранжевым цветом) падает с направления \(\theta’_i = \pi/4\) и \(\phi’_i = 0\), а идеальное отражение
направление показано пунктирно-оранжевым цветом. Приближенный ряд был
усеченный в разных порядках \(P\) ,
с использованием (а) предложенной основы на основе HSH по сравнению с использованием (б) на основе Цернике
базис [*]. В обоих случаях низший порядок влечет за собой совершенное
диффузное/ламбертовское отражение, в то время как зеркальный лепесток начинает
очевидно для порядков 1 и выше. Обратите внимание на эффект звонка из-за
резкое обрезание аппроксимирующего ряда, однако основанный на HSH
Базис имеет меньший эффект звона по сравнению с базисом Зернике.
наличие меньших ложных лепестков в направлениях, отличных от направления
идеальное зеркальное направление, исчезающее быстрее, чем у
Базис на основе Зернике на более высоких порядках.
[*] Дж. Кендеринк и А. ван Доорн. Феноменлогическое описание
двунаправленное поверхностное отражение.
Журнал Оптического общества
America, 15(11):2903–2912, 1998.
Закрытая форма предлагаемого базиса представлена на случай изотропное и направленное полусферическое отражение. Предлагаемая основа была дополнительно подтверждена с использованием данных рассеянного отражения, которые могли бы нарушают свойство взаимности Гельмгольца; где такое имущество сохраняется по методу наименьших квадратов в процессе подгонки BRDF измерения на основе HSH. База также была проверена с использованием микрофасетные физические модели BRDF: Oren-Nayar для диффузных шероховатых поверхностей и Torrance-Sparrow и Cook-Torrance для зеркальных шероховатых поверхностей. На основании того, что ассоциированные полиномы Лежандра определены для все комбинации полиномиального порядка и степени в отличие от Цернике полиномов, базис на основе HSH показал высокую точность аппроксимации BRDF при низшие порядки.
Точность аппроксимации материалов базы данных CUReT [1] для
различные порядки усечения коэффициента отражения P.
Спектр отражения для
каждый материал получен путем проецирования случайно нарисованного CUReT BRDF
измерения с использованием интегрирования Монте-Карло на подпространство, натянутое
предлагаемая основа по сравнению с основами Westin et al. [2], Гаутрон
и другие. [3], Koenderink et al. [4], Habel и Wimmer [5] и
Базис Гельмгольца Koenderink et al. [4]. Обратите внимание, что BRDF разреженный
измерения интерполируются на взятых образцах с использованием предоставленного
подогнанные замеры. Точки отбора взяты из декартовой
произведение входящей и выходящей (полу)сфер (согласно
определение основы). Можно заметить, что предлагаемая база обеспечивает
высочайшая точность аппроксимации для всех CUReT, а сферическая
базис [2] обеспечивает наименьшую точность по сравнению с другими.
[1] К. Дана, Б. Гиннекен, С. Наяр и Дж. Кендеринк. Отражение
и текстуры реальных поверхностей. Транзакции ACM на графике,
18(1):1–34.
[2] С. Вестин, Дж. Арво и К. Торранс. Прогнозирование отражательной способности
функции сложных поверхностей.
В проц. SIGGRAPH, ACM Press, стр.
255–264, 1992.
[3] P. Gautron, J. Krivanek, S.N. Паттанаик и К. Буатуш. Роман
полусферическая основа для точного и эффективного рендеринга. В производстве
Пятнадцатой конференции Eurographics по методам рендеринга, стр.
321–330. Еврографическая ассоциация, 2004 г.
[4] Дж. Кендеринк и А. ван Доорн. Феноменлогическое описание
двунаправленное поверхностное отражение. Журнал Оптического общества
America, 15(11):2903–2912, 1998.
[5] Р. Хабель и М. Виммер. Эффективное отображение нормалей освещенности. В
Материалы симпозиума ACM SIGGRAPH 2010 г. по Interactive 3D
Графика и игры, стр. 189–195, 2010 г.
Связанные публикации:
Ширин Ю. Эльхабиан и Али А. Фараг. Гельмгольц Базис на основе HSH: компактное феноменологическое представление произвольного Отражение, Информатика . 2016 7 марта; 26 (4): 593-620.
Ширин Ю. Эльхабиан , Хам Рара и Али Фараг. К
Эффективное и компактное феноменологическое представление произвольного
Двунаправленная поверхностная отражательная способность.
Британское машинное зрение
Конференция (BMVC) , том. 89, стр. 1–11, август 2011 г.
Назад к топ
Аналитические модели внешнего вида при произвольном коэффициенте отражения
Феноменологические модели внешнего вида фиксируют внешний вид поверхности посредством математическое моделирование процесса отражения. Теоретически пространство всех возможных изображений объекта в фиксированной позе при всех возможных условия освещения бесконечномерны. Тем не менее из-за их низкочастотный характер, сигналы освещенности могут быть представлены с помощью базисные функции низкого порядка. Без учета подповерхностного рассеяния и поверхностного эмиттанс, в этой работе рассматривался вопрос; как компактно и точно представить освещенность изображения при неизвестном общем освещенность, учитывая, что точка поверхности видит окружающий мир через локальную верхнюю полусферу, ориентированную по нормали к поверхности в эта точка.
Уравнение освещенности изображения объекта с изотропным
отражение.
В связи с этим я сформулировал процесс формирования изображения изотропного поверхности при произвольном удаленном освещении в частотном пространстве обращаясь к физическому соответствию полусферической основы для представляющие отражательную способность поверхности, например, взаимность Гельмгольца и изотропия. Термин гармоники освещенности был также определен как позволяют отделить освещение и отражательную способность от основного геометрия и поза.
(а) Поверхность объекта освещена дальним светом
функция, определенная на глобальной сфере. (b) Углубленный вид поверхности
патч, показывающий нормали поверхности в каждой точке поверхности. Под
предположение о неизлучающих поверхностях, точка поверхности видит только
окружающую среду через локальное верхнее полушарие, ориентированное
нормали к поверхности в этой точке, поэтому интеграл отражения может быть
определено над инцидентной локальной полусферой, где \(\theta’_i \in [0, \pi/2]\). (с) А
увеличенный вид в точке поверхности \(\mathbf{x}\), видя окружающий мир
через единичную полусферу \(\Omega’\) с центром в точке и
ориентируется по нормали к поверхности \(\overrightarrow{\mathbf{n}}\) при этом
точка.
Используя сферические координаты, луч света, падающий на точку
\(\mathbf{x}\) определяется его единицей
направление \(\overrightarrow{\omega}’_i:
(\theta’_i, \phi’_i\), стягивающий падающий телесный угол
\(d\overrightarrow{\omega}’_i\).
Точно так же исходящий / отраженный световой луч определяется его единицей измерения.
направление \(\overrightarrow{\omega}’_o:
(\theta’_o, \phi’_o\), стягивающий исходящий телесный угол
\(d\overrightarrow{\omega}’_o\) .
(d) Визуализация до 3-го порядка предложенного изотропного метода Гельмгольца.
базовая отражательная способность поверхности в направлении падения \(\overrightarrow{\omega}’_i:
(\пи/3,0)\). Порядок \(р\)
выполняется сверху вниз, а соответствующий порядок \(r\) выполняется слева направо. Азимутальный
порядок \(q\), или известный как степень, также
выполняется слева направо для каждого заказа \(r\).
Эта работа представила закрытую форму содержания энергии,
поддерживается различными режимами отражения предлагаемого излучения
гармоники.
Поскольку зеркальные материалы, как правило, требуют больше базовых функций
по сравнению с диффузными, предлагаемые гармоники улавливают одинаковые
кумулятивное содержание энергии, обеспечивая большее количество ортогональных
основе освещенности, при более низких порядках освещенности по сравнению с аналогичными
основе в литературе.
Средняя точность аппроксимации освещенности изображения как функция порядка освещения \(n\) на основе в базах данных CUReT и Merl BRDF. Среднее значение вычисляется по базе данных материалы в предположении, что один удаленный источник света имеет нераспадающийся постоянный спектр. Обратите внимание, что предлагаемая отражательная способность основе поддерживает более высокую точность аппроксимации освещенности при более низких заказы на освещение.
Образец частотно-пространственного рендеринга: визуализированные изображения для
верблюжья игрушка из «Базы фотометрических стереосистем Weizmann» из ткани бежевого цвета
BRDF под Galileio Tomp (высокочастотная) карта освещенности с использованием
предлагаемая основа отражательной способности (красная рамка) по сравнению с основой Рамамурти и
Ханрахан [1] (синяя рамка) и Ниллиус и Эклунд [2] (зеленая рамка), где N
= 12.
Трассировка пути используется для рендеринга единичной сферы с BRDF в
вверху посередине, а также рендеринг правды внизу слева. Иметь в виду
абсолютная ошибка (MAE) показана под каждым визуализированным изображением, где все
интенсивности нормированы в диапазоне [0,1]. Обратите внимание, что предложенный
основе захвата внешнего вида отражательной способности поверхности под
высокочастотная подсветка по сравнению с другими.
[1] Р. Рамамурти и П. Ханрахан. Карта среды частотного пространства
рендеринг. ACM Transactions on Graphics, 21(3):517–526, июль 2002 г.
[2] П. Ниллиус и Дж. Эклунд. Феноменологические собственные функции изображения
излучение. В материалах девятой международной конференции IEEE по
Компьютерное зрение — Том 2, ICCV ’03, страницы 568–575, Вашингтон, округ Колумбия,
США, 2003. Компьютерное общество IEEE.
Это представление было дополнительно уменьшено в размерности за счет
аналитический вывод основных компонентов освещенности изображения.
В частности, я предложил аналитическую формулировку для низкоразмерных
конструкция подпространства, в которой лежат признаки затенения, сохраняя при этом
естественная структура образца изображения.
Благодаря частотному пространству
представление уравнения освещенности изображения, где процесс
нахождение такого подпространства можно рассматривать как установление связи между его
главные компоненты и детерминированный набор базисных функций.
Это решило проблему размерности, поскольку источник случайности
в процессе визуализации становится коэффициентами гармоник освещенности
а не полное воплощение образа. Представление изображений в их
натуральное измерение, то есть матрицы, еще больше уменьшают количество
оцениваемые параметры для определения билинейной проекции, которая отображает
образец изображения в билинейное подпространство меньшей размерности. С
Гармоники освещенности позволили разделить освещенность и отражательную способность
от основной геометрии и позы; это позволило включить
предварительная информация о естественном освещении и поверхности реального мира
материалы. 9k_s\) стать
случайная величина вместо реализации изображения. Таким образом, присущий
численные методы проклятия размерности, такие как Singular Value
С разложением можно справиться.
База данных естественного освещения и реальных материалов поверхностей был использован для расчета базиса общего назначения, который охватывает все поведение освещенности и отражательной способности в подпространстве более низкого измерения для представления освещенности изображения. По сравнению с аналогичными базами в литературе предложенная модель внешнего вида достигла более высокой точности уровни при более низких порядках освещенности и показали устойчивость к шум..
Средняя ошибка реконструкции для каждого материала в Merl
база данных на основе 100 визуализированных тестовых изображений для каждого материала, где
подпространства были построены на основе сферической и полусферической освещенности
гармоники (см. легенду), где Q = 98% (процент гармоники
вариация сохраняется при разложении гармоник освещенности).
Заметим, что билинейные подпространства превосходят линейные, а предлагаемые
Гармоники освещенности на основе HSH достигают минимальных ошибок реконструкции для
все материалы поверхности.
Образец реконструкции игрушки слона от «Weizmann Фотометрическая стереофоническая база данных» с использованием BRDF из специального орехового дерева под Карта освещенности кампуса с различным Q (%) с использованием гармоник освещенности которые основаны на полусферическом базисе Зернике, развернутом Ниллиусом и Эклунд [1]. Средняя абсолютная ошибка (MAE) показана под каждым визуализированным изображение, где все интенсивности нормированы в диапазоне [0, 1].
[1] П. Ниллиус и Дж. Эклунд. Феноменологические собственные функции для сияние изображения. В материалах девятой конференции IEEE International Конференция по компьютерному зрению — Том 2, ICCV ’03, страницы 568–575, Вашингтон, округ Колумбия, США, 2003 г. Компьютерное общество IEEE.
Образец реконструкции игрушки верблюда от «Weizmann
Фотометрическая стереофоническая база данных» с использованием derlin BRDF под кухней
карта освещенности с различным Q (%) с использованием гармоник освещенности, которые
на основе предложенной базы Гельмгольца на основе HSH.
Средняя абсолютная ошибка
(MAE) отображается под каждым визуализированным изображением, где все значения интенсивности
нормализуется в диапазоне [0, 1].
Образец реконструкции игрушки мишки от «Weizmann Photometric База данных стерео» с использованием BRDF из зеленого латекса под пляжем Фанстон. карта освещенности с различными уровнями SNR с использованием гармоник освещенности которые основаны на предложенной основе Гельмгольца на основе HSH. Среднее абсолютное ошибка (MAE) отображается под каждым визуализированным изображением, где все значения интенсивности нормализуется в диапазоне [0, 1].
Связанные публикации:
Ширин Ю. Эльхабиан и Али А. Фараг. Изображение Гармоники освещенности: феноменологическая модель освещенности изображения Произвольное поверхностное отражение. ИЭТ-Компьютерное зрение , 8(5), (2014): 365-381.
Ширин Ю. Эльхабиан и Али Фараг. Аналитический билинейный
Построение подпространства внешнего вида для моделирования освещенности изображения под
Естественное освещение и неламбертовское отражение.
В компьютере
Зрение и распознавание образов (CVPR) , 2013 Конференция IEEE,
стр. 1446-1451. IEEE, 2013.
Ширин Ю. Эльхабиан и Али Фараг. Моделирование изображения Освещенность при естественном освещении и изотропной поверхности Отражение. 19-я Международная конференция IEEE по изображению Обработка (ICIP) , стр. 3013-3016. IEEE, 2012.
Вернуться к топ
Модели внешнего вида для реконструкции поверхности лица
Я применил предложенную модель внешности в 3D модели лица
восстановление формы по одному изображению неизвестного общего освещения при
явный учет различных типов кожи человека, а также сложных
условия освещенности. Предполагая, что коэффициент отражения кожи подчиняется
модели Торранса-Спарроу, я аналитически доказал, что она может быть
представлен гармоническим базисом не более пятого порядка, закрытая форма которого
предоставил. Эксперименты с синтетическими и реальными изображениями иллюстрируют
устойчивость нашей модели внешнего вида к изменению освещения.
Для
подробнее см. Статистическая форма от затенения
при естественном освещении и произвольном коэффициенте отражения.
Графическое представление первых тринадцати гармоник коэффициенты разложения модели отражения Торранса Спарроу при дальнее освещение с использованием параметров кожи BRDF Merl Skin BRDF база данных. Обратите внимание, что TS действует как фильтр нижних частот, где 5-й порядок расширения достаточно для кодирования более 99% энергии BRDF содержание независимо от типа кожи.
Связанные публикации:
Ширин Ю. Эльхабиан , Эслам Мостафа, Хам Рара, Али Фараг. Неламбертовский Восстановление формы лица на основе модели из одного изображения в условиях неизвестности Общее освещение. Девятая Канадская конференция по компьютерам и Robot Vision (CRV) , стр. 252–259. IEEE, 2012.
Вернуться к топ
Модели внешнего вида для реконструкции челюсти человека
Что касается медицины, я предложил подход, основанный на внешнем виде, который
позволяет реконструировать правдоподобные 3D-модели челюстей человека с учетом
одно оптическое изображение с неизвестным освещением.
Основы внешности были
аналитически построенный с использованием частотного представления
уравнение освещенности, включая предварительную информацию о естественном
освещенность и отражательная способность зубов. Предполагалось, что отражательная способность человеческих зубов
подчиняться модели Орена-Наяра, где экспериментально доказано, что зубы
поверхность подчиняется теории микрограней. Неотъемлемая связь между
фотометрическая информация и основная трехмерная форма были сформулированы как
статистическая модель, в которой совместный эффект освещения и
коэффициент отражения моделируется с использованием полусферических гармоник Гельмгольца на основе
гармоники излучения, тогда как регрессия главного компонента была
развернуты для выполнения оценки трехмерных форм. Я расслабился, ограничивая
предположения обычных подходов формы из затенения и смог
для восстановления жевательных поверхностей зубов в сложных условиях, таких как
как рассеянные зеркальные пятна и значительные изменения цвета и альбедо
характеристики в результате пломбирования зубов.
Визит к стоматологу
приложений, результаты показали значительное увеличение
точность в пользу предлагаемого подхода. Для получения более подробной информации посетите Статистическая форма от затенения.
при естественном освещении и произвольном коэффициенте отражения.
Точность аппроксимации Гельмгольца BRDF Орена-Наяра Базис на основе HSH как функция порядка аппроксимации, где в (слева) каждая кривая соответствует средней точности аппроксимации по все выбранные направления падения для нескольких значений шероховатости поверхности, а (справа) сравнивается с базисом Цернике, предложенным Кендеринк и др. [1].
[1] Дж. Кендеринк и А. ван Дорн. Феноменлогическое описание двунаправленное поверхностное отражение. Журнал Оптического общества Америка, 15(11):2903–2912, 1998.
Связанные публикации:
Shireen Y. Elhabian и Aly A. Farag. Внешний вид
Подход к полной реконструкции формы челюсти человека. ИЭТ
Компьютерное зрение , 8(5), (2014): 404-418.
Ширин Ю. Эльхабиан , Али Абдельрахим, Али Фараг, Дэвид Тасман, Ваэль Абульмаати, Аллан Фарман. Клинические коронки Реконструкция формы — подход, основанный на изображении. IEEE 10-й Международный симпозиум по биомедицинской визуализации (ISBI) , стр. 93-96. IEEE, 2013.
Вернуться к наверх
Алгоритм обучения моделей формы и внешнего вида без аннотаций
Адамс Д., Рольф Ф., Слайс Д. Геометрическая морфометрия: десять лет прогресса после «революции» Итал. Дж. Зул. 2004;71(1):5–16. [Google Scholar] Адамс Д., Рольф Ф., Слайс Д., 2004. Геометрическая морфометрия: десять лет прогресса после «революции». Итальянский журнал зоологии 71, 5–16.
Аллассоньер С., Амит Ю., Трув А. На пути к согласованной статистической основе для оценки плотных деформируемых шаблонов. Дж. Р. Стат. соц. сер. B (Стат. методол.) 2007;69(1): 3–29. [Google Scholar] Аллассоньер, С., Амит, Ю., Трув, А., 2007. На пути к согласованной статистической основе для оценки плотных деформируемых шаблонов.
Журнал Королевского статистического общества: серия B (статистическая методология) 69, 3–29.
Аллассоньер С., Дурлеман С., Кун Э. Оценка байесовского атласа смешанных эффектов с диффеоморфной моделью деформации. SIAM J. Imaging Sci. 2015;8(3):1367–1395. [Google Scholar] Аллассоньер, С., Дурлеман, С., Кун, Э., 2015. Оценка байесовского атласа смешанных эффектов с диффеоморфной моделью деформации. SIAM Journal on Imaging Sciences 8, 1367–139.5.
Эшбернер Дж. Быстрый алгоритм регистрации диффеоморфных изображений. Нейроизображение. 2007;38(1):95–113. [PubMed] [Google Scholar] Эшбернер, Дж., 2007. Быстрый алгоритм регистрации диффеоморфных изображений. Нейроизображение 38, 95–113. [PubMed]
Эшбернер Дж., Фристон К. Единая сегментация. Нейроизображение. 2005;26(3):839–851. [PubMed] [Google Scholar] Эшбернер Дж., Фристон К., 2005 г. Единая сегментация. Нейроизображение 26, 839–851. [PubMed]
Эшбернер Дж., Фристон К. Диффеоморфная регистрация с использованием геодезической съемки и гаусс-ньютоновской оптимизации.
Нейроизображение. 2011;55:954–967. [Бесплатная статья PMC] [PubMed] [Google Scholar] Эшбернер, Дж., Фристон, К., 2011. Диффеоморфная регистрация с использованием геодезической стрельбы и оптимизации Гаусса-Ньютона. Нейроизображение 55, 954–967. [Бесплатная статья PMC] [PubMed]
Ashburner J., Ridgway G.R. Симметричное диффеоморфное моделирование продольной структурной МРТ. Фронтальные нейроски. 2012; 6 [Бесплатная статья PMC] [PubMed] [Google Scholar] Эшбернер, Дж., Риджуэй, Г.Р., 2012. Симметричное диффеоморфное моделирование продольной структурной МРТ. Границы нейронауки 6. [Бесплатная статья PMC] [PubMed]
Авантс Б. Б., Тастисон Н. Дж., Сонг Г., Кук П. А., Кляйн А., Джи Дж. К. Воспроизводимая оценка показателей сходства ANT при регистрации изображений мозга. Нейроизображение. 2011;54(3):2033–2044. [Бесплатная статья PMC] [PubMed] [Google Scholar] Авантс, Б. Б., Тастисон, Нью-Джерси, Сонг, Г., Кук, П. А., Кляйн, А., Джи, Дж. К., 2011. Воспроизводимая оценка показателей сходства ANTs в мозгу регистрация изображения. Нейроизображение 54, 2033–2044 гг. [Бесплатная статья PMC] [PubMed]
Avants BB, Tustison NJ, Stauffer M., Song G., Wu B., Gee JC Инструментарий регистрации изображений. Фронт Нейроинф. 2014;8:44. [Бесплатная статья PMC] [PubMed] [Google Scholar] Авантс, Б. Б., Тастисон, Нью-Джерси, Штауффер, М., Сонг, Г., Ву, Б., Джи, Дж. К., 2014. Платформа регистрации изображений Insight ToolKit. Границы нейроинформатики 8, 44. [Бесплатная статья PMC] [PubMed]
Аванс Б. Б., Юшкевич П., Плута Дж., Минкофф Д., Корчиковски М., Детре Дж., Джи Дж. К. Эффект оптимального шаблона в исследованиях гиппокампа больных популяций. Нейроизображение. 2010;49(3):2457–2466. [Бесплатная статья PMC] [PubMed] [Google Scholar]Аванц Б.Б., Юшкевич П., Плута Дж., Минкофф Д., Корчиковский М., Детре Дж., Джи Дж. К., 2010. Оптимальный шаблон эффект в исследованиях гиппокампа больных популяций. Нейроизображение 49, 2457–2466. [Бесплатная статья PMC] [PubMed]
Бабалола К.О., Патенауд Б., Альджабар П., Шнабель Дж. , Кеннеди Д., Крам В., Смит С., Кутес Т., Дженкинсон М., Рюкерт Д. Оценка четырех автоматических методов сегментации подкорковых структур головного мозга. Нейроизображение. 2009 г.;47(4):1435–1447. [PubMed] [Google Scholar]Бабалола, К.О., Патенауд, Б., Алджабар, П., Шнабель, Дж., Кеннеди, Д., Крам, В., Смит, С., Кутс, Т., Дженкинсон, М. , Rueckert, D., 2009. Оценка четырех автоматических методов сегментации подкорковых структур головного мозга. Нейроизображение 47, 1435–1447. [PubMed]
Бах Ф., Джордан М. Том. 688. Статистический факультет Калифорнийского университета, Беркли, Калифорния; 2005. Вероятностная интерпретация канонического корреляционного анализа. [Google Scholar] Бах Ф., Джордан М., 2005. Вероятностная интерпретация канонического корреляционного анализа. Департамент статистики, Univ. Калифорния, Беркли, Калифорния, Тех. Респ. 688.
Balbastre Y., Brudfors M., Bronik K., Ashburner J. Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам. Спрингер; Cham: 2018. Диффеоморфное моделирование формы мозга с использованием гаусс-ньютоновской оптимизации; стр. 862–870. [Google Scholar] Балбастр, Ю., Брудфорс, М., Броник, К., Эшбернер, Дж., 2018. Диффеоморфное моделирование формы мозга с использованием оптимизации Гаусса-Ньютона. Препринт arXiv arXiv: 1806.07109.
Бег М., Миллер М., Труве А., Юнес Л. Вычисление метрических отображений больших деформаций с помощью геодезических потоков диффеоморфизмов. Междунар. Дж. Вычисл. Вис. 2005;61(2):139–157. [Google Scholar] Бег М., Миллер М., Труве А., Юнес Л., 2005. Вычисление метрических отображений больших деформаций с помощью геодезических потоков диффеоморфизмов. Международный журнал компьютерного зрения 61, 139–157.
Белонги С., Малик Дж., Пузича Дж. Сопоставление форм и распознавание объектов с использованием контекстов форм. IEEE транс. Анальный узор. Мах. Интел. 2002;24(4):509–522. [Google Scholar] Белонги, С., Малик, Дж., Пузича, Дж., 2002. Сопоставление форм и распознавание объектов с использованием контекстов форм. Анализ шаблонов и машинный интеллект, транзакции IEEE на 24, 509–522.
Епископ К. Спрингер Нью-Йорк:; 2006. Распознавание образов и машинное обучение. [Google Scholar] Бишоп С. и др., 2006 г. Распознавание образов и машинное обучение. Спрингер Нью-Йорк:.
Бро-Нильсен М., Грамков К. Визуализация в биомедицинских вычислениях. Спрингер; 1996. Быстрая жидкостная регистрация медицинских изображений; стр. 265–276. [Google Scholar] Бро-Нильсен, М., Грамков, К., 1996. Быстрая регистрация медицинских изображений в жидкости, в: Визуализация в биомедицинских вычислениях, Springer. стр. 265–276.
Бруна Дж., Маллат С. Сверточные сети инвариантного рассеяния. IEEE транс. Анальный узор. Мах. Интел. 2013;35(8):1872–1886. [PubMed] [Google Scholar]Бруна, Дж., Маллат, С., 2013. Инвариантные сверточные сети рассеяния. Транзакции IEEE по анализу образов и машинному интеллекту 35, 1872–1886. [PubMed]
Cabral C., Kambeitz-Ilankovic L., Kambeitz J., Calhoun V.D., Dwyer D.B., Von Saldern S. , Urquijo M.F., Falkai P., Koutsouleris N. Классификация шизофрении с использованием мультимодального многомерного анализа распознавания образов: оценка влияние индивидуальных клинических профилей на эффективность нейродиагностики. шизофр. Бык. 2016;42(приложение_1):S110–S117. [Бесплатная статья PMC] [PubMed] [Google Scholar]Кабрал, К., Камбейц-Иланкович, Л., Камбейц, Дж., Калхун, В.Д., Дуайер, Д.Б., Фон Сальдерн, С., Уркихо, М.Ф., Фалькаи, П. ., Koutsouleris, N., 2016. Классификация шизофрении с использованием мультимодального многомерного анализа распознавания образов: оценка влияния отдельных клинических профилей на эффективность нейродиагностики. Бюллетень по шизофрении 42, S110–S117. [Бесплатная статья PMC] [PubMed]
Кутес Т., Твининг К., Бабалола К., Тейлор С. Диффеоморфные статистические модели формы. Изображение Виз. вычисл. 2008;26(3):326–332. [Google Scholar] Кутс, Т., Твининг, К., Бабалола, К., Тейлор, К., 2008. Диффеоморфные статистические модели формы. Вычисление изображения и зрения 26, 326–332.
Кутс Т.Ф., Эдвардс Г.Дж., Тейлор СиДжей Активные модели внешности. IEEE транс. Анальный узор. Мах. Интел. 2001;23(6):681–685. [Google Scholar]Cootes, T.F., Edwards, G.J., Taylor, C.J., 2001. Активные модели внешности. Транзакции IEEE по анализу образов и машинному интеллекту 23, 681–685.
Кутс Т. Ф., Тейлор С. Дж. Материалы BMVC92. Спрингер; 1992. Модели активной формы — «Умные змеи», стр. 266–275. [Google Scholar]Cootes, T.F., Taylor, CJ, 1992. Модели активной формы — «умные змеи», в: BMVC92. Спрингер, стр. 266–275.
Кутес Т. Ф., Тейлор С. Дж. Модель смеси для представления вариаций формы. Изображение Виз. вычисл. 1999;17(8):567–573. [Google Scholar]Cootes, T.F., Taylor, CJ, 1999. Смешанная модель для представления изменений формы. Вычисление изображения и зрения 17, 567–573.
Cootes TF, Taylor CJ Proceedings of the Medical Imaging. Международное общество оптики и фотоники; 2001. Статистические модели внешности для анализа медицинских изображений и компьютерного зрения; стр. 236–248. [Google Scholar]Cootes, T.F., Taylor, CJ, 2001. Статистические модели внешности для анализа медицинских изображений и компьютерного зрения, в: Medical Imaging 2001, International Society for Optics and Photonics. стр. 236–248.
Кутс Т.Ф., Тейлор С.Дж., Купер Д.Х., Грэм Дж. Модели активной формы – их обучение и применение. вычисл. Вис. Изображение Понимание. 1995;61(1):38–59. [Google Scholar] Кутс, Т. Ф., Тейлор, С. Дж., Купер, Д. Х., Грэм, Дж., 1995. Активные модели формы – их обучение и применение. Компьютерное зрение и понимание изображений 61, 38–59.
Кутс Т. Ф., Твининг С. Дж., Петрович В. С., Бабалола К. О., Тейлор С. Дж. Вычисление точных соответствий между группами изображений. IEEE транс. Анальный узор. Мах. Интел. 2010;32(11):1994–2005. [PubMed] [Google Scholar] Кутс, Т. Ф., Твининг, С. Дж., Петрович, В. С., Бабалола, К. О., Тейлор, С. Дж., 2010. Вычисление точных соответствий между группами изображений. Транзакции IEEE по анализу шаблонов и машинному интеллекту 32, 1994–2005. [PubMed]
Датар М., Муралидхаран П., Кумар А., Гуттард С., Пивен Дж., Гериг Г., Уитакер Р., Флетчер П.Т. Материалы Международного семинара по пространственно-временному анализу изображений для данных изображений продольных и временных рядов. Спрингер; 2012. Модели формы со смешанными эффектами для оценки продольных изменений в анатомии; стр. 76–87. [Бесплатная статья PMC] [PubMed] [Google Scholar]Датар, М., Муралидхаран, П., Кумар, А., Гуттард, С., Пивен, Дж., Гериг, Г., Уитакер, Р., Флетчер, П.Т. , 2012. Модели формы со смешанными эффектами для оценки продольных изменений в анатомии, в: Международный семинар по пространственно-временному анализу изображений для данных изображений продольных и временных рядов, Springer. стр. 76–87. [Бесплатная статья PMC] [PubMed]
Демирхан А. Влияние выбора признаков на многомерный анализ паттернов структурных МРТ-изображений головного мозга. физ. Мед. 2018;47:103–111. [PubMed] [Google Scholar] Демирхан, А., 2018. Влияние выбора признаков на многомерный анализ паттернов структурных МРТ-изображений мозга. Physica Medica 47, 103–111. [PubMed]
Флетчер П.Т. Геодезическая регрессия и теория наименьших квадратов на римановых многообразиях. Междунар. Дж. Вычисл. Вис. 2013;105(2):171–185. [Google Scholar] Флетчер, П.Т., 2013. Геодезическая регрессия и теория наименьших квадратов на римановых многообразиях. Международный журнал компьютерного зрения 105, 171–185.
Фристон К., Эшбернер Дж., Фрит К.Д., Полайн Дж.-Б., Хизер Дж.Д., Фраковяк Р.С. Пространственная регистрация и нормализация изображений. Hum Brain Map. 1995;3(3):165–189. [Google Scholar] Фристон К., Эшбернер Дж., Фрит С.Д., Полин Дж.Б., Хизер Дж.Д., Фраковяк Р.С. и др., 1995. Пространственная регистрация и нормализация изображений. Картирование человеческого мозга 3, 165–189.
Фристон К.Дж., Пенни В., Филлипс С., Кибель С., Хинтон Г., Эшбернер Дж. Классический и байесовский вывод в нейровизуализации: теория. Нейроизображение. 2002;16(2):465–483. [PubMed] [Google Scholar] Фристон, К. Дж., Пенни, В., Филлипс, К., Кибель, С. , Хинтон, Г., Эшбернер, Дж., 2002. Классический и байесовский вывод в нейровизуализации: теория. НейроИзображение 16, 465–483. [ПубМед]
Ghiassian S., Greiner R., Jin P., Brown M.R. Использование функциональных или структурных магнитно-резонансных изображений и данных личных характеристик для выявления СДВГ и аутизма. ПЛОС ОДИН. 2016;11(12):e0166934. [Бесплатная статья PMC] [PubMed] [Google Scholar]Гиассиан, С., Грейнер, Р., Джин, П., Браун, М.Р., 2016. Использование функциональных или структурных магнитно-резонансных изображений и данных о личных характеристиках для выявления СДВГ и аутизма. PloS 11, e0166934. [Бесплатная статья PMC] [PubMed]
Gower JC Обобщенный анализ прокрустов. Психометрика. 1975;40(1):33–51. [Google Scholar] Гауэр, Дж. К., 1975. Обобщенный прокруст-анализ. Психометрика 40, 33–51.
Гровс А. Р., Бекманн К. Ф., Смит С. М., Вулрич М. В. Анализ связанных независимых компонентов для объединения мультимодальных данных. Нейроизображение. 2011;54(3):2198–2217. [PubMed] [Google Scholar] Гроувс, А. Р., Бекманн, К. Ф., Смит, С. М., Вулрич, М. В., 2011. Анализ связанных независимых компонентов для объединения мультимодальных данных. Нейроизображение 54, 2198–2217. [PubMed]
Хаар С., Берман С., Берманн М., Динштейн И. Анатомические аномалии при аутизме? Кора головного мозга. 2014;26(4):1440–1452. [PubMed] [Google Scholar] Хаар С., Берман С., Берманн М., Динштейн И., 2014. Анатомические аномалии при аутизме? Кора головного мозга 26, 1440–1452. [ПубМед]
Хинтон Г.Е., Крижевский А., Ван С.Д. Материалы Международной конференции по искусственным нейронным сетям. Спрингер; 2011. Преобразование автокодировщиков; стр. 44–51. [Google Scholar] Хинтон, Г. Э., Крижевский, А., Ван, С. Д., 2011. Преобразование автокодировщиков, в: Международная конференция по искусственным нейронным сетям, Springer. стр. 44–51.
Ядерберг М., Симонян К., Зиссерман А. Материалы достижений в области нейронных систем обработки информации. 2015. Пространственные трансформаторные сети; стр. 2017–2025. [Google Scholar] Джадерберг, М., Симонян, К., Зиссерман, А., и др., 2015. Пространственные преобразовательные сети, в: Достижения в нейронных системах обработки информации, стр. 2017–2025.
Катувал Г.Дж., Кэхилл Н.Д., Баум С.А., Майкл А.М. Материалы 37-й ежегодной международной конференции IEEE Engineering in Medicine and Biology Society (EMBC) IEEE; 2015. Прогностическая сила структурной МРТ в диагностике аутизма; стр. 4270–4273. [PubMed] [Google Scholar] Katuwal, G.J., Cahill, N.D., Baum, S.A., Michael, A.M., 2015. Прогностическая сила структурной МРТ в диагностике аутизма, в: Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual Международная конференция IEEE, IEEE. стр. 4270–4273. [ПубМед]
Клами А., Виртанен С., Каски С. Байесовский канонический корреляционный анализ. Дж. Мах. Учиться. Рез. 2013; 14 (апрель): 965–1003. [Google Scholar]Клами А., Виртанен С., Каски С., 2013. Байесовский канонический корреляционный анализ. Журнал исследований машинного обучения 14, 965–1003.
ЛеКун Ю., Ботту Л., Бенжио Ю., Хаффнер П. Градиентное обучение для распознавания документов. проц. IEEE. 1998;86(11):2278–2324. [Google Scholar] Лекун, Ю., Ботту, Л., Бенжио, Ю., Хаффнер, П., 1998. Градиентное обучение в применении к распознаванию документов. Труды IEEE 86, 2278–2324.
Ли С.-Ю., Се С., Галлахер П., Чжан З., Ту З. Труды по искусственному интеллекту и статистике. 2015. Сети с глубоким наблюдением; стр. 562–570. [Google Scholar] Ли, К.Ю., Се, С., Галлахер, П., Чжан, З., Ту, З., 2015. Сети с глубоким контролем, в: Искусственный интеллект и статистика, стр. 562–570.
Линднер К., Томсон Дж., Кутес Т.Ф., консорциум arcOGEN . Материалы Международной конференции по вычислениям медицинских изображений и компьютерным вмешательствам. Спрингер; 2015. Сопоставление моделей формы на основе обучения: обучение точных моделей с минимальным ручным вводом; стр. 580–587. [Google Scholar] Линднер, К., Томсон, Дж., Кутс, Т.Ф., консорциум arcOGEN и др., 2015. Сопоставление моделей на основе обучения: обучение точных моделей с минимальным ручным вводом, в: Международная конференция по вычислениям медицинских изображений и Компьютерное вмешательство, Springer. стр. 580–587.
Литдженс Г., Тот Р., ван де Вен В., Хукс С., Керкстра С., ван Гиннекен Б., Винсент Г., Гиллард Г., Бирбек Н., Чжан Дж. Оценка алгоритмов сегментации простаты для МРТ: задача PROMISE12. Мед. Анальный образ. 2014;18(2):359–373. [Бесплатная статья PMC] [PubMed] [Google Scholar] Литдженс, Г., Тот, Р., ван де Вен, В., Хукс, К., Керкстра, С., ван Гиннекен, Б., Винсент, Г., Guillard, G., Birbeck, N., Zhang, J., et al., 2014. Оценка алгоритмов сегментации простаты для МРТ: задача PROMISE12. Анализ медицинских изображений 18, 359–373. [Бесплатная статья PMC] [PubMed]
Лундквист Д., Флюкт А., Оман А. Компакт-диск из отдела клинической неврологии, секции психологии, Каролинский институт; 1998. Эмоциональные лица Каролинской направленности (KDEF), стр. 91–630. [Google Scholar] Лундквист, Д., Флюкт, А., Охман, А., 1998. Каролинские направленные эмоциональные лица (kdef). Компакт-диск из отдела клинической неврологии, секция психологии, Каролинский институт, 91–630.
Ма К. , Чжан Т., Занетти М.В., Шен Х., Саттертуэйт Т.Д., Вольф Д.Х., Гур Р.Э., Фан Ю., Ху Д., Бусатто Г.Ф. Классификация МРТ-изображений с несколькими участками при наличии неоднородности с использованием многозадачного обучения. НейроИмидж: Клин. 2018;19: 476–486. [Бесплатная статья PMC] [PubMed] [Google Scholar]Ma, Q., Zhang, T., Zanetti, M.V., Shen, H., Satterthwaite, TD, Wolf, D.H., Gur, R.E., Fan, Y., Hu, Д., Бусатто, Г.Ф. и др., 2018. Классификация МРТ-изображений с несколькими участками при наличии неоднородности с использованием многозадачного обучения. НейроИзображение: Клиника 19, 476–486. [Бесплатная статья PMC] [PubMed]
MacKay D.J. Издательство Кембриджского университета; 2003. Теория информации, логические выводы и алгоритмы обучения. [Google Scholar]MacKay, D.J., 2003. Теория информации, алгоритмы логического вывода и обучения. Издательство Кембриджского университета.
Мэлоун И.Б., Леунг К.К., Клегг С., Барнс Дж., Уитвелл Дж.Л., Эшбернер Дж., Фокс Н.К., Риджуэй Г. Р. Точная автоматическая оценка общего внутричерепного объема: мешающая переменная с меньшими неприятными последствиями. Нейроизображение. 2015; 104: 366–372. [Бесплатная статья PMC] [PubMed] [Google Scholar]Мэлоун, И.Б., Леунг, К.К., Клегг, С., Барнс, Дж., Уитвелл, Дж.Л., Эшбернер, Дж., Фокс, Северная Каролина, Риджуэй, Г.Р., 2015. Точно. автоматическая оценка общего внутричерепного объема: мешающая переменная с меньшими неприятными последствиями. Нейроизображение 104, 366–372. [Бесплатная статья PMC] [PubMed]
Маркус Д., Фотенос А., Чернанский Дж., Моррис Дж., Бакнер Р. Серия исследований изображений в открытом доступе: продольные данные МРТ пожилых людей без деменции и с деменцией. Дж. Когн. Неврологи. 2010;22(12):2677–2684. [Бесплатная статья PMC] [PubMed] [Google Scholar]Маркус, Д., Фотенос, А., Чернанский, Дж., Моррис, Дж., Бакнер, Р., 2010. Серия исследований изображений в открытом доступе: данные продольной МРТ в пожилые люди без деменции и с деменцией. Журнал когнитивной нейробиологии 22, 2677–2684. [Бесплатная статья PMC] [PubMed]
Алаборт-и Медина Дж., Зафейриу С. Материалы конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) IEEE; 2014. Байесовские активные модели внешности; стр. 3438–3445. [Google Scholar] Алаборт-и Медина, Дж., Зафейриу, С., 2014. Байесовские активные модели внешнего вида, в: Computer Vision and Pattern Recognition (CVPR), IEEE Conference on, 2014, IEEE. стр. 3438–3445.
Миллер М., Труве А., Юнес Л. Геодезическая съемка для вычислительной анатомии. Дж. Матем. визуализация Виз. 2006;24(2):209–228. [Бесплатная статья PMC] [PubMed] [Google Scholar] Миллер, М., Труве, А., Юнес, Л., 2006. Геодезическая съемка для вычислительной анатомии. Журнал математических изображений и зрения 24, 209–228. [Бесплатная статья PMC] [PubMed]
Monté-Rubio GC, Falcón C., Pomarol-Clotet E., Ashburner J. Сравнение различных типов функций МРТ для характеристики анатомических различий всего мозга с использованием методов распознавания линейных образов. Нейроизображение. 2018; 178: 753–768. [Бесплатная статья PMC] [PubMed] [Google Scholar]Монте-Рубио, Г.К., Фалькон, К., Помароль-Клотет, Э., Эшбернер, Дж., 2018. Сравнение различных типов МРТ-признаков для характеристики анатомических различий всего мозга с помощью линейных методов распознавания образов. НейроИзображение 178, 753–768. [Бесплатная статья PMC] [PubMed]
Мерфи К.П. Массачусетский технологический институт Пресс; 2012. Машинное обучение: вероятностная перспектива. [Google Scholar]Мерфи, К.П., 2012. Машинное обучение: вероятностная перспектива. Пресс МТИ.
Нитхаммер М., Хуанг Ю., Виалард Ф. Труды по вычислению медицинских изображений и компьютерному вмешательству – MICCAI 2011. Springer; 2011. Геодезическая регрессия для временных рядов изображений; стр. 655–662. [Бесплатная статья PMC] [PubMed] [Google Scholar] Нитхаммер, М., Хуанг, Ю., Виалард, Ф., 2011. Геодезическая регрессия для временных рядов изображений, в: Вычисление медицинских изображений и компьютерное вмешательство – MICCAI 2011 , Спрингер. стр. 655–662. [Бесплатная статья PMC] [PubMed]
Nieuwenhuis M., van Haren N.E., Pol H.E.H., Cahn W., Kahn R.S., Schnack HG. Классификация пациентов с шизофренией и здорового контроля по структурным МРТ-сканам в двух больших независимых выборках. Нейроизображение. 2012;61(3):606–612. [PubMed] [Google Scholar]Ньювенхуис, М., ван Харен, Н.Э., Пол, Х.Е.Х., Кан, В., Кан, Р.С., Шнак, Х.Г., 2012. Классификация пациентов с шизофренией и здоровых людей из контрольной группы по структурным МРТ в двух больших независимые образцы. Нейроизображение 61, 606–612. [ПубМед]
Патенауд Б., Смит С.М., Кеннеди Д.Н., Дженкинсон М. Байесовская модель формы и внешнего вида для сегментации подкоркового мозга. Нейроизображение. 2011;56(3):907–922. [Бесплатная статья PMC] [PubMed] [Google Scholar]Патенод, Б., Смит, С.М., Кеннеди, Д.Н., Дженкинсон, М., 2011. Байесовская модель формы и внешнего вида для подкорковой сегментации мозга. Нейроизображение 56, 907–922. [Бесплатная статья PMC] [PubMed]
Рэдфорд, А. , Мец, Л., Чинтала, С., 2015. Неконтролируемое репрезентативное обучение с помощью глубоких сверточных генеративно-состязательных сетей. arXiv: 1511.06434. Рэдфорд, А., Мец, Л., Чинтала, С., 2015. Неконтролируемое репрезентативное обучение с помощью глубоких сверточных генеративных состязательных сетей. Препринт arXiv arXiv: 1511.06434.
Расмуссен К., Уильямс К. Спрингер; 2006. Гауссовские процессы для машинного обучения. [Google Scholar] Расмуссен, К., Уильямс, К., 2006. Гауссовские процессы для машинного обучения. Спрингер.
Ревоу М., Уильямс С.К., Хинтон Г.Е. Использование генеративных моделей для распознавания рукописных цифр. IEEE транс. Анальный узор. Мах. Интел. 1996;18(6):592–606. [Google Scholar] Revow, M., Williams, C.K., Hinton, G.E., 1996. Использование генеративных моделей для распознавания рукописных цифр. Транзакции IEEE по анализу шаблонов и машинному интеллекту 18, 592–606.
Рюкерт Д., Франги А.Ф., Шнабель Дж. Автоматическое построение трехмерных моделей статистической деформации головного мозга с использованием нежесткой регистрации. IEEE транс. Мед. Визуализация. 2003;22(8):1014–1025. [PubMed] [Google Scholar] Рюкерт, Д., Франги, А.Ф., Шнабель, Дж. и др., 2003. Автоматическое построение трехмерных моделей статистической деформации мозга с использованием нежесткой регистрации. Медицинская визуализация, транзакции IEEE 22, 1014–1025. [PubMed]
Сильва Р.Ф., Кастро Э., Гупта С.Н., Четин М., Арбабширани М., Потлуру В.К., Плис С.М., Калхун В.Д. Материалы Международного семинара IEEE по машинному обучению для обработки сигналов (MLSP) IEEE; 2014. Десятый ежегодный конкурс MLSP: вызов классификации шизофрении; стр. 1–6. [Google Scholar]Сильва, Р.Ф., Кастро, Э., Гупта, К.Н., Четин, М., Арбабширани, М., Потлуру, В.К., Плис, С.М., Калхун, В.Д., 2014. Десятый ежегодный конкурс MLSP: проблема классификации шизофрении. , в: Машинное обучение для обработки сигналов (MLSP), Международный семинар IEEE, 2014 г., IEEE. стр. 1–6.
Штерн Д., Эбнер Т., Уршлер М. Материалы Международной конференции по обработке медицинских изображений и компьютерным вмешательствам. Спрингер; 2016. От локальных к глобальным лесам случайной регрессии: изучение локализации анатомических ориентиров; стр. 221–229. [Google Scholar] Штерн, Д., Эбнер, Т., Уршлер, М., 2016. От локальных к глобальным лесам случайной регрессии: изучение локализации анатомических ориентиров, в: Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам, Springer. стр. 221–229..
Тайгман Ю., Ян М., Ранзато М., Вольф Л. Труды конференции IEEE по компьютерному зрению и распознаванию образов. 2014. Deepface: преодоление разрыва с производительностью на уровне человека при проверке лица; стр. 1701–1708. [Google Scholar] Тайгман, Ю., Ян, М., Ранзато, М., Вольф, Л., 2014. Deepface: Преодоление разрыва с производительностью на уровне человека при проверке лица, в: Материалы конференции IEEE по компьютерному зрению. и распознавание образов, стр. 1701–1708.
Труве А., Юнес Л. Метаморфозы через действия группы лжи. Найденный. вычисл. Мат. 2005; 5 (2): 173–19. 8. [Google Scholar] Труве, А., Юнес, Л., 2005. Метаморфозы через групповые действия лжи. Основы вычислительной математики 5, 173–198.
Тастисон Н. Дж., Авантс Б. Б., Кук П. А., Чжэн Ю., Иган А., Юшкевич П. А., Джи Дж. К. N4ITK: Улучшенная коррекция смещения N3. IEEE транс. Мед. Визуализация. 2010;29(6):1310–1320. [Бесплатная статья PMC] [PubMed] [Google Scholar]Тастисон, Н.Дж., Авантс, Б.Б., Кук, П.А., Чжэн, Ю., Иган, А., Юшкевич, П.А., Джи, Дж. К., 2010. N4ITK: улучшенная коррекция смещения N3 . Транзакции IEEE для медицинских изображений 29, 1310–1320 гг. [Бесплатная статья PMC] [PubMed]
Weiskopf N., Lutti A., Helms G., Novak M., Ashburner J., Hutton C. Унифицированная коррекция карт мозга R1 на основе сегментации для неоднородностей передающего поля RF (UNICORT) Neuroimage . 2011;54(3):2116–2124. [Статья бесплатно PMC] [PubMed] [Google Scholar]Вайскопф, Н., Лутти, А., Хелмс, Г., Новак, М., Эшбернер, Дж., Хаттон, К., 2011. Унифицированная коррекция на основе сегментации R1 карты мозга для неоднородностей радиочастотного поля передачи (UNICORT).