<div dir="ltr"><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small">Prezados(as),</div><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small">Para aqueles que puderem participar.</div><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small"><br></div><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small"><div class="gmail_default">Data: 12/06/2019</div><div class="gmail_default">Local: sala 221 IMECC as 13hs</div><div class="gmail_default"><br></div><div class="gmail_default"><span style="font-family:Arial,Helvetica,sans-serif">Expectation-maximization on graph-based image segmentation</span><br style="font-family:Arial,Helvetica,sans-serif">(Jordão Bragantini, DE-Unicamp)</div><div class="gmail_default" style="font-family:Arial,Helvetica,sans-serif"><font face="verdana, sans-serif"><br></font>Currently, deep learning methods are able to achieve great results on<br>computer vision tasks but require a huge amount of labeled data.<br>Thus, images are labeled with user interaction, on these instances<br>graph-based algorithms are employed to decrease user effort.<br>With this, the image segmentation (graph partition) is view as EM problem<br>given the image graph restrictions and pixels characteristics.<br><br>Reference:<br>GrabCut - Interactive Foreground Extraction using Iterated Graph Cuts (em<br>anexo)</div></div><br clear="all"><div><br></div>-- <br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><div dir="ltr"><div><div>Ronaldo Dias, Ph.D.</div>Professor<div>Dept. of Statistics-IMECC, UNICAMP</div><div><a href="http://www.ime.unicamp.br/~dias" target="_blank">www.ime.unicamp.br/~dias</a></div><div><br></div></div></div></div></div></div></div>