CV2011 Lecture 10. Image retrieval
0 likes1,197 views
Документ описывает методы поиска изображений по содержанию, основываясь на семантическом анализе и алгоритмах, таких как 'мешок слов' и 'локально-чувствительное хэширование'. Важные концепции включают решение проблемы семантического разрыва и различные подходы к кластеризации и индексации для повышения эффективности поиска. Также обсуждаются техники оптимизации, включая иерархическое разбиение и геометрическое сопоставление для улучшения качества результатов.
![TF-IDF
Term Frequency – Inverse Document Frequency (tf-idf) weighting scheme
# documents Слова, встречающиеся во многих
idfW = log документах, малоинформативны
# docs containing XW
t
2
Записываем частоты слов 0
(хорошо для повторяющихся 4
структур и т.д.) 0
...
[1] Baeza-Yates, Ribeiro-Neto. Modern Information Retrieval. ACM Press, 1999.
[2] Sivic, Zisserman. Video Google: A text retrieval approach to object matching in
videos. ICCV’03.
[3] Nister, Stewenius. Scalable recognition with a vocabulary tree. CVPR’06.
[4] Philbin, Chum, Isard, Sivic, Zisserman. Object retrieval with large vocabularies and
fast spatial matching. CVPR’07.](https://image.slidesharecdn.com/cv201110cbir-110629063513-phpapp02/85/CV2011-Lecture-10-Image-retrieval-67-320.jpg)
CV2011 Lecture 10. Image retrieval
- 1. Поиск изображений по содержанию Many slides adopted from Cordelia Schmid, Li Fei-Fei, Rob Fergus, Antonio Torralba
- 2. Общая информация Этот курс подготовлен и читается при поддержке Microsoft Research Страница курса http://courses.graphicon.ru/main/vision
- 3. Задача • Content-based image retrieval • Поиск изображений в базе изображений по «какому-то описанию содержимого» • Задача похоже на классификацию/поиск объектов, но фокусируется в основном на масштабировании и взаимодействии с пользователем R. Datta, D. Joshi, J. Li, and J. Z.Wang. Image retrieval: Ideas, influences, and trends of the new age. ACM Computing Surveys, 2008.
- 4. Semantic Gap • «Семантический разрыв» – несовпадение информации, которую можно извлечь из визуальных данных, и интерпретацией тех же самых данных со стороны пользователя • Что значит «похожее изображение»? Описание Описание №1 ? №2
- 5. Что значит похожее? 1. «Near-duplicates» - изображения фактически одного и того же объекта
- 6. Что значит похожее? 2. Похожие по конфигурации сцены, хотя могут быть и разные по назначению Кухня Ресепшн Бар Автобус Самолет Зал
- 7. Что значит похожее? 3. «Category-level scene classification» - изображения из одного класса сцен Пример – банкетный зал.
- 8. Что значит похожее? 4. «Category-level classification» - изображения из одного класса объектов Например, 256 классов из базы Caltech 256
- 9. Анализ задачи • Все четыре постановки задачи существенно отличаются друг от друга! • Нам потребуются разные признаки для каждой постановки • Что ещё? • Изображений может быть очень много (в перспективе – миллиарды) • Нам нужно описать коллекцию как можно компактнее
- 11. Стандартный подход • Построение описания сцены по множеству низкоуровневых локальных особенностей
- 12. Глобальные дескрипторы Гистограммы цвета, яркости (Давно) GIST (2003) Мешок слов (2003) Мешок слов по пространству (2006)
- 13. QBIC (1995) • Query By Image Content • Вычисляет набор признаков • Цветовая гистограмма • Набор объектов и их признаков – Бинарная маска для описания объектов – Ручная или автоматическая сегментация » Выделение контрастных объектов на фоне (музейные экспонаты) » “Snakes”, “заливка» для автоматизированной разметки – Признаки формы объектов для распознавания » Площадь, периметр, и т.д. • ~10000 изображений в базе M. Flickner, H. Sawhney, W. Niblack, J. Ashley, Q. Huang, M. Gorkani, J. Hafner, D. Lee, D. Petkovic, D. Steele, and P. Yanker. Query by image and video content: the QBIC system. IEEE Computer, 28(9):23–32, 1995.
- 14. QBIC: Интерфейс Пространственное Гистограмма распределение цветов
- 16. GIST & BOW • GIST • Конфигурация сцены • Bag of words • Одна и та же сцена с разных ракурсов
- 17. Размеры дескрипторов • GIST • Решетка 4x4 * 8 ориентаций * 4 масштаба = 512 параметров • 16384 бита (при 4 байтах на параметр) • Bag of word • Количество слов в словаре (От 64 до 1000000) • По пространству – увеличение в 5-18 раз • Признак высокой размерности (До 18М параметров!)
- 18. Поиск на основе «мешка слов» • Раз «Мешок слов» так хорошо работает для многих задач, построим алгоритм поиска на его базе • Построение индекса для коллекции изображений: • Извлечение особенностей • Обучение словаря (кластеризация) • Квантование особенностей по словарю (сопоставление) • Построение гистограммы частот слов • Запись всех «мешков» в каком-то виде • Поиск изображения • Извлечение особенностей • Квантование особенностей по словарю (сопоставление) • Построение гистограммы частот слов • Сравнение гистограммы со всеми из индекса
- 19. «Мешок слов» • Применим стандартный подход BoW к большой коллекции (5к, 100к, 1М изображений) • Проблемы: • Как построить словарь, если нужно кластеризовать очень большой объём данных? (20М+ векторов для 5К изображений) • Как ускорить сопоставление слова словарю (кватнование) при больших размерах? • Как хранить индекс изображения?
- 20. Приближенная кластеризация • Hierarchical k-means (HKM) • Approximate k-means (AKM)
- 21. Hierarchical k-means (HKM) • «Словарное дерево» • Иерархическое разбиение • Кластеризуем всё на K кластеров (K=10) • Затем данные в каждом кластере снова на K кластеров • Пример: • Глубина 6 даёт 1M листьев D. Nist´er and H. Stew´enius. Scalable recognition with a vocabulary tree. In Proc. CVPR, 2006.
- 22. Approximate k-means (AKM) • Алгоритм • Лес из 8 рандомизированных k-d деревьев • Параметр (координата) разбиения выбирается случайно из набора с наибольшим разбросом • Порог разбиения выбирается случайно недалеко от медианы • Такое разбиение позволяет уменьшить эффекты квантизации • Сложность каждого этапа k-cредних падает с O(NK) до O(Nlog(K)) J. Philbin, O. Chum, M. Isard, J. Sivic, and A. Zisserman, “Object retrieval with large vocabularies and fast spatial matching,” СVPR, 2007.
- 23. Оценка • Сравнение AKM c обычным K-means показывает небольшое падение точности (1%) • На больших размерах выборки обычным K-means слишком долго считать
- 24. Сравнение • Выводы: • AKM превосходит по точности HKM • С ростом размера выборки точность сильно падает
- 25. Ускорение квантования • Прямое сравнение дескриптора со всем словарём очень медленное • Построим иерархическую структуру • Итеративно повторяем K-средних над словами и потом кластерами для построения дерева • Обучение дополнительных связей в графе на тестовой выборке
- 26. Анализ алгоритма • Размер связей в графе в зависимости от размера обучающей выборки
- 27. Анализ алгоритма • Количество расчетов расстояний при поиске ближайших
- 28. Инвертированный индекс • Вектор слов в дескрипторе очень разреженный С(1) • Например, 1k ненулевых С(2) элементов из 1М cловаря • Удобно хранить его в инвертированном индексе С(N) • Таблица (слова)x(изображения) • Список слов в словаре (терминов) • Для каждого слова храним список изображений, в котором слово встречается • Ускорение поиска: • Самые частые слова идут в начале списка
- 29. Поиск по «мешку слов» • Первый алгоритм CBIR над BoW готов! • Дескриптор «мешок слов» большой размерности (1М) • АКM для построения словаря по большой коллекции (5к) • Инвертированный индекс для хранения • Тестирование: • 5к+100к изображений, 1М слов, 1GB индекс, поиск в нём 0.1с • 5к+100к+1М изображений, 1М cлов, 4GB+, хранение файла на диске, поиск 10-35с J. Philbin, O. Chum, M. Isard, J. Sivic, and A. Zisserman, “Object retrieval with large vocabularies and fast spatial matching,” СVPR, 2007.
- 30. Улучшение поиска • Ранжирование списка результатов • Раскрытие запросов • Улучшение работы «мешка слов» • Коды Хэмминга • Слабая геометрия
- 31. Геометрическое сопоставление • Если мы решаем задачу «near-duplicate», то найденные изображения можно хорошо сопоставить с запросом • Стандартная схема (локальные особенности + робастное вычисление преобразования) слишком медленное для полного перебора • Можем использовать для постобработки – ранжирования найденных изображений
- 32. Схема ранжирования • Сопоставим особенности между «запросом» и отфильтрованными поиском изображением • Выбросы отфильтруем с помощью LO-RANSAC • Вначале простую модель • Затем по инлаерам более сложную модель • Уточним хорошую модель по найденным инлаерам • Аффинная модель • Отсортируем изображения • Для тех, которые сопоставились – В начало списка – Порядок по количеству инлаеров (чем больше – тем выше в списке) • Для тех, которые не сопоставились – В конец списка – Без изменения порядка
- 33. Оценка модели по 1 паре • H = H2-1H1 • Достаточно одной пары соответствующих точек для генерации гипотезы • Можно оценить до 5 параметров • Сдвиг (2) • Масштаб (1) • Поворот (1) • Пропорции (эллипсоид)
- 34. Модели преобразования • 3dof • Моделируем масштабирование / расстояние до объекта • 4dof • Моделируем ракурсы • 5dof • Сохраняем «вертикальность», моделируем «скос» (shear)
- 35. Результаты ранжирования • Для поиска изображений архитектуры ранжирование показывает существенный прирост в точности
- 36. Результаты ранжирования • Доля нужных изображений в верхней части ранжированного списка после геометрического сопоставления
- 37. Раскрытие запросов • Transitive closure expansion (TCE) • Строим дерево запросов • Вершина – исходный запрос • Потомки – наиболее хорошо сопоставленные изображения из ответа на запрос • Additive query expansion (AQE) • Отображаем интересные точки с найденных изображений на исходное • Используем модифицированное изображение для поиска и дополнения результатов
- 38. Результаты
- 39. Мешок слов и сопоставление • Сопоставление изображений • Находим локальные особенности, считаем дескриптор • Находим ближайшие пары по дескрипторам • Считаем количество пар, с ошибкой меньше эпсилон • Сопоставление по «мешку слов» • Находим локальные особенности, считаем дескриптор • Квантуем локальные особенности по словарю • Считаем для каждого изображения гистограмму частот • Сравниваем гистограммы частот • Практически эквивалентно! • В первом случае сравниваем дескрипторы непосредственно друг с другом • Во втором случае сравниваем точки по номерам в словаре
- 40. Диаграмма Вороного • Маленький словарь – большие ячейки • Слишком грубый порог на сравнение! • Большой словарь – маленькие ячейки • Слишком точный порог на сравнение!
- 43. Hamming Embedding • Хотим записать не только #слова для особенности из изображения, но и описать положение внутри ячейки (доп.код) • Будем сравнивать тогда не только по номеру, но и по доп.коду • Код должен быть маленьким, и сравнение быстрое! • Построим бинарный код • Сравнивать будем по расстоянию Хэмминга
- 44. Locality Sensitive Hashing (LSH) • Возьмем случайную проекцию данных на прямую • Случайно выберем порог, пометив проекции 0 или 1 (1 бит подписи) • С увеличением числа бит код приближает L2-метрику в исходных дескрипторах 0 101 Дескриптор в 1 многомерном пространстве 0 1 1 0 A. Andoni and P. Indyk. Near-optimal hashing algorithms for approximate nearest neighbor in high dimensions. In FOCS, 2006
- 45. Hamming Embedding 0 1 0 1 1 0 • Возьмем все дескрипторы, попавшие в одну ячейку • Сгенерируем n случайных прямых (направлений проецирования) • Спроецируем все дескрипторы на прямую • Выберем точку на прямой (порог) таким образом, чтобы справа и слева было поровну точек • Такой код будет оптимальным
- 47. Алгоритм • Для каждого дескриптора: • Квантуем по словарю (#слова) • Вычисление бинарного кода • Считаем точки сопоставленными, только если выполняются оба условия: • #слов совпадают • Коды по расстоянию Хэмминга отличаются не более чем на z
- 50. Hamming Embedding • Соответствий с правильным изображением в 10 раз больше, чем с неправильным!
- 51. «Слабая геометрия» • Каждая характерная точка определяется в т.ч. масштабом (характерным размером) и ориентацией • Пример: • 20 градусов разницы по ориентации • Масштаб в 1.5 раза • Каждая сопоставление задаёт разницу по углу и масштабу • Для изображения в целом изменение должны быть согласованны
- 52. Примеры
- 53. Примеры
- 54. Примеры
- 55. Примеры
- 56. Примеры
- 57. Смысл • Масштаб и ориентация «примерно» не зависят друг от друга • Голосование с учётом дискретного масштаба и поворота • Отдельный вес для каждой комбинации (угол/поворот) – Фактически, гистограмма • Берем максимумы по углу / масштабу • Берём из них минимум • Только соответствия, согласованные по изменению масштаба и ориентации вносят вклад в финальную оценку
- 58. Априорные данные • Люди фотографируют одну и ту же сцену с одинаковых ракурсов
- 59. Cуммарный результат • Каждый элемент – weakly geometry, hamming embedding ранжирование по геометрии существенно повышает точность • При этом совместно использование WGC и HE позволяет достичь скорости, сравнимой с базовым методом!
- 60. Резюме «мешка слов» • Большой словарь • + Слабая геометрия • + Hamming embedding • Инвертированный индекс • Ранжирование по сопоставлению • Раскрытие запросов
- 61. Построение подписи • Отойдём от инвертированного индекса • Будем строить короткие «подписи» для каждого изображения с помощью «хэш-функций» • min-Hash • Семантическое хэширование • Локально-чувствительное хэширование • Обучение подписи • Спектральное хэширование • Обучение метрик и подписей
- 62. min-Hash • Почти одинаковые изображения (шум, движение, и т.д.) • Большие базы данных • Быстрый поиск (линейный по числу дубликатов) O.Chum, J.Philbin, A.Zisserman. Near Duplicate Image Detection: min-Hash and tf-idf Weighting, BMVC 2008
- 63. min-Hash • Min-Hash - локально-чувствительная хэш-функция m (locality sensitive hashing,LSH), которая выбирает элементы m(A1) из набора A1 и m(A2) из набора A2 , таким образом, что выполняется: P{m(A1) == m(A2)} = sim(A1 , A2) • Похожие изображения должны иметь пересекающиеся наборы визуальных слов • Сходство изображений измеряем как пересечение множеств с помощью min-Hash алгоритма A1 ∩ A2 A A 1 2 A1 U A2
- 64. min-Hash Vocabulary Set A Set B Set C A B C D E F A B C B C D A E F Ordering min-Hash f1: 0.41 3 6 2 5 4 1 0.90 0.22 0.59 0.75 0.07 ~ UnC(0,1) C F f2: 0.19 1 2 6 3 5 4 0.31 0.94 0.55 0.88 0.63 ~ UnA(0,1) B A f3 : 3 2 1 6 4 5 C C A f4 : 4 3 5 6 1 2 B B E overlap (A,B) = 3/4 (1/2) overlap (A,C) = 1/4 (1/5) overlap (B,C) = 0 (0)
- 65. min-Hash Retrieval A B Sketch collision A }} A sketch s-tuple of s – размер sketch min-Hashes k – количество хэш-таблиц Q C V E ... }} V E Вероятность коллизии: sim(A, B)s }} Вероятность извлечь J Z (минимум 1 коллизия скетча) Y Q 1 – (1 - sim(A, B)s)k k hash tables
- 66. Более сложные метрики • Модель «Set of words» c весами • Вес dw задаёт «важность» слова Xw • Модель «Bag of words» • Храним и частот слов • Метрика - пересечение гистограмм • Модель Bag of words, но с учетом весов для слов:
- 67. TF-IDF Term Frequency – Inverse Document Frequency (tf-idf) weighting scheme # documents Слова, встречающиеся во многих idfW = log документах, малоинформативны # docs containing XW t 2 Записываем частоты слов 0 (хорошо для повторяющихся 4 структур и т.д.) 0 ... [1] Baeza-Yates, Ribeiro-Neto. Modern Information Retrieval. ACM Press, 1999. [2] Sivic, Zisserman. Video Google: A text retrieval approach to object matching in videos. ICCV’03. [3] Nister, Stewenius. Scalable recognition with a vocabulary tree. CVPR’06. [4] Philbin, Chum, Isard, Sivic, Zisserman. Object retrieval with large vocabularies and fast spatial matching. CVPR’07.
- 68. Добавление весов в min-Hash Для исходной min-hash функции У всех слов Xw одинаковая вероятность быть min-Hash Для функции Вероятность для Xw быть min-Hash пропорциональна dw A U B: A C E J Q R V Y Z dA dC dE dJ dQ dR dV dY dZ
- 69. Пересечение гистограмм с min-Hash Идея: представим гистограмму как набор, затем используем min-Hash для наборов Слова: A B C D Мешок слов A / набор A’ Мешок слов B / набор B’ C3 C3 A2 C2 B2 C2 A1 B1 C1 B1 C1 D1 tA = (2,1,3,0) tB = (0,2,3,1) min-Hash словарь: A1 A2 B1 B2 C1 C2 C3 D1 A’ U B’: A1 A2 B1 B2 C1 C2 C3 D1 Пересечение множеств A’ и B’ = пересечение гистограмм A и B
- 70. Тестирование метода • Данные - University of Kentucky Dataset • 10,200 изображений по 4 в группе • Запрашиваем последовательно изображение из каждой группы • Измеряем количество правильно найденных из 4х самых верхних в списке найденных
- 71. Примеры запросов • Наибольшую точность показывает использование взвешенной Query image: гистограммы • Также при этом меньше возникает коллизий в хэшах Результаты: Set overlap, weighted set overlap, weighted histogram intersection
- 72. Семантическое хеширование Идея: бинарные подписи для близких в L2 изображений Query должны быть близки Image Semantic Address Space Image Binary Hash descriptor code Function Images in database Предположение: есть Query address описание изображений, Семантически которое можем Похожие сравнивать по L2 изображения R. R. Salakhutdinov and G. E. Hinton. Semantic hashing. In SIGIR workshop on Information Retrieval and applications of Graphical Models, 2007.
- 73. Формализация • Смысл: • Имеем x,y – вектора (дескрипторы) • Хотим получить бинарный код h(x) • h(x) – семантическая хэш-функция • Вариант формулировки: • N100(x) – ближайшие 100 в исходном пространстве по L2 • Хотим найти h(x) – бинарную подпись, такую что – N100(x)= N100(y) – Где N100(y) – расстояние Хэмминга
- 74. Locality Sensitive Hashing (LSH) • Возьмем случайную проекцию данных на прямую • Случайно выберем порог, пометив проекции 0 или 1 (1 бит подписи) • С увеличением числа бит подпись приближает L2-метрику в исходных дескрипторах 0 101 Дескриптор в 1 многомерном пространстве 0 1 1 0 A. Andoni and P. Indyk. Near-optimal hashing algorithms for approximate nearest neighbor in high dimensions. In FOCS, 2006
- 75. Locality Sensitive Hashing (LSH) • Недостатки: • Приближение L2 лишь асимптотическое • На практике может потребоваться слишком много бит для подписи
- 76. Обучение бинарных кодов Torralba, Fergus, Weiss, CVPR 2008 Binary code Image <10μs 1 Извлеченные <1ms 2. изображения 3. RBM 1.LSH BoostSSC Семантический хэш Query Gist descriptor Image Comput e Gist ~1ms (in Matlab)
- 77. Сравнение на LabelMe • 32-bit коды работают % of 50 true neighbors in retrieval set так же хорошо, как исходный дескриптор в 512 вещественных чисел • Методы на основе обучения обгоняют LSH 0 2,000 10,000 20,0000 Size of retrieval set
- 78. Сравнение на web • Сравнение на 12.9М изображений
- 79. Сравнение
- 80. Анализ обучения • Рассмотрим синтетический пример – точки на прямоугольнике • Бинарные подписи фактически задают «базис» описания окрестности • LSH даёт самое грубое описание окрестности
- 81. Спектральное хэширование • Пусть x – исходные дескрипторы, y – подписи • W – матрица расстояний между дескрипторами • Тогда задача оптимальных подписей: • Ослабив постановку задачи получим эффективный алгоритм приближенного решения! Weiss, Y., Torralba, A.B., Fergus, R.: Spectral hashing. NIPS, 2008
- 82. Спектральное хэширование Построение базисных функций Сравнение окрестностей по функциям Weiss, Y., Torralba, A.B., Fergus, R.: Spectral hashing. NIPS, 2008
- 83. Результаты Weiss, Y., Torralba, A.B., Fergus, R.: Spectral hashing. NIPS, 2008
- 84. Обучаемые метрики непохожи похожи • Что если для наших дескрипторов Евклидово расстояние плохо подходит для описание близости изображений? • Если можем выбрать похожие/непохожие изображения иначе, то можем обучить правильную метрику! • Вид: • r(x1,x2) = (x1-x2)TA(x1-x2)
- 85. Когда применимо? Частично-размеченная Полностью размеченная база изображений база Специфическая проблемная область
- 86. Быстрый поиск Обучим расстояние через LSH h( ) = h( ) h( ) ≠ h( ) С меньшей вероятностью С большей вероятностью разбиваем подобные пары с разобьем пары с ограничением ограничением сходства несходства
- 87. Результаты • Сравнение на tiny images (80M) • Обученная метрика позволяет найти те же результаты, но просмотрев меньше 1% базы • Скорость – 0.5с вместо 45с B. Kulis and K. Grauman. Kernelized locality-sensitive hashing for scalable image search. In ICCV, 2009.
- 88. Резюме подписей • Построение бинарных подписей с помощью хэш- функций позволяют существенно снизить размер индекса • Сжимать можем любой дескриптор! • Наилучшие результаты: • Если есть информация из внешних источников, какие изображения похожи, какие нет – Обучение метрики и бинарной подписи • Если такой информации нет – Спектральное хэширование
- 89. Модель сцены • Вернёмся к исходной модели изображения
- 90. Описание сцены через объекты • Если бы мы могли хорошо находить объекты и материалы (воду, небо, и т.д.), то можно было бы классифицировать и искать изображения по этим описаниям • Но теперь мы можем!!! • HOG + SVM + части = детектор объектов • Сегментация + классификация = детектор материалов L.J. Li*, H. Su*, Y. Lim and L. Fei-Fei, Objects as Attributes for Scene Classification. ECCV 2010
- 91. Выбор объектов Число изображений, найденных по поиску через ключевые слова
- 92. Object filters • «Фильтруем» изображения с помощью детекторов классов • Суммируем области по прямоугольным областям • Строим несколько уровней такого разрешения
- 93. Объединение признаков • Фильтры объектов, GIST и BOW дополняют друг друга, кодируя разный тип информации • По всем признакам можно обучить линейный SVM для классификации изображений
- 94. Результаты • Классификация изображений из базы UIUC-Sports • Обучение на 70 изображениях, тестирование на 60
- 95. Результаты • Object Filters дают результаты, сравнимые с лучшими признаками • Комбинация признаков даёт state-of-art результаты
- 96. Смежные направления • Классификаторы изображений как способ нелинейного хэширования • Lorenzo Torresani, Martin Szummer, Andrew Fitzgibbon. Efficient Object Category Recognition Using Classemes. ECCV, 2010. • Обучение 2500 классификаторов изображений • Квантование выходов, обучение линейного SVM на них • Атрибуты изображений • Farhadi, A., Endres, I., Hoiem, D., Forsyth, D.: Describing objects by their attributes. CVPR 2009 • Сцену и объект можно описать через «прилагательные» (свойства объектов) • Соберём базу атрибутов изображений с помощью Mechanical Turk • Обучим классификаторы атрибутов
- 97. Резюме • Разные признаки кодируют разные аспекты изображения • Для преодоления семантического разрыва нужно использовать комбинацию признаков • Детекторы объектов и базы изображения стали достаточно большими для использования как признаки • Описание большой коллекции возможно только с очень небольшими бинарными подписями • Подписи строятся по дескрипторам разными методами хэширования
- 98. Коды и базы • Спектральное хеширование (Matlab) • http://www.cs.huji.ac.il/~yweiss/SpectralHashing/ • ImageNet • http://www.image-net.org/ • INRIA Holidays • http://lear.inrialpes.fr/people/jegou/data.php#holidays • Oxford Buildings • http://www.robots.ox.ac.uk/~vgg/data/oxbuildings/index.html • UIUC Sports Event Dataset • http://vision.stanford.edu/lijiali/event_dataset/
- 99. На следующих лекциях • Сегментация изображений • Использование контекста и семантическая сегментация