<?xml version="1.0" encoding="UTF-8" ?>
<oai_dc:dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
<dc:title>A confidence framework for the assessment of optical flow performance</dc:title>
<dc:creator>Márquez Valle, Patricia</dc:creator>
<dc:contributor>pmarquez@cvc.uab.cat</dc:contributor>
<dc:contributor>true</dc:contributor>
<dc:contributor>Gil Resina, Debora</dc:contributor>
<dc:contributor>Hernàndez i Sabaté, Aura</dc:contributor>
<dc:contributor>true</dc:contributor>
<dc:contributor>Universitat Autònoma de Barcelona. Departament de Ciències de la Computació</dc:contributor>
<dc:subject>Optical flow</dc:subject>
<dc:subject>Confidence measures</dc:subject>
<dc:subject>Performance evaluation</dc:subject>
<dc:subject>Tecnologies</dc:subject>
<dc:subject>004</dc:subject>
<dc:description>L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</dc:description>
<dc:description>Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</dc:description>
<dc:date>2015-08-24T07:45:50Z</dc:date>
<dc:date>2016-07-26T17:44:46Z</dc:date>
<dc:date>2015-07-27</dc:date>
<dc:type>info:eu-repo/semantics/doctoralThesis</dc:type>
<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
<dc:identifier>9788449054617</dc:identifier>
<dc:identifier>http://hdl.handle.net/10803/305105</dc:identifier>
<dc:identifier>B-23009-2015</dc:identifier>
<dc:language>eng</dc:language>
<dc:rights>L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/</dc:rights>
<dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
<dc:format>103 p.</dc:format>
<dc:format>application/pdf</dc:format>
<dc:format>application/pdf</dc:format>
<dc:publisher>Universitat Autònoma de Barcelona</dc:publisher>
<dc:source>TDX (Tesis Doctorals en Xarxa)</dc:source>
</oai_dc:dc>
<?xml version="1.0" encoding="UTF-8" ?>
<dim:dim schemaLocation="http://www.dspace.org/xmlns/dspace/dim http://www.dspace.org/schema/dim.xsd">
<dim:field element="contributor" mdschema="dc">Universitat Autònoma de Barcelona. Departament de Ciències de la Computació</dim:field>
<dim:field element="contributor" mdschema="dc" qualifier="author">Márquez Valle, Patricia</dim:field>
<dim:field element="contributor" mdschema="dc" qualifier="authoremail">pmarquez@cvc.uab.cat</dim:field>
<dim:field element="contributor" mdschema="dc" qualifier="authoremailshow">true</dim:field>
<dim:field element="contributor" mdschema="dc" qualifier="director">Gil Resina, Debora</dim:field>
<dim:field element="contributor" mdschema="dc" qualifier="director">Hernàndez i Sabaté, Aura</dim:field>
<dim:field element="contributor" mdschema="dc" qualifier="authorsendemail">true</dim:field>
<dim:field element="date" mdschema="dc" qualifier="accessioned">2015-08-24T07:45:50Z</dim:field>
<dim:field element="date" mdschema="dc" qualifier="available">2016-07-26T17:44:46Z</dim:field>
<dim:field element="date" mdschema="dc" qualifier="issued">2015-07-27</dim:field>
<dim:field element="identifier" mdschema="dc" qualifier="isbn">9788449054617</dim:field>
<dim:field element="identifier" mdschema="dc" qualifier="uri">http://hdl.handle.net/10803/305105</dim:field>
<dim:field element="identifier" mdschema="dc" qualifier="dl">B-23009-2015</dim:field>
<dim:field element="description" lang="cat" mdschema="dc" qualifier="abstract">L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</dim:field>
<dim:field element="description" lang="eng" mdschema="dc" qualifier="abstract">Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</dim:field>
<dim:field element="format" mdschema="dc" qualifier="extent">103 p.</dim:field>
<dim:field element="format" mdschema="dc" qualifier="mimetype">application/pdf</dim:field>
<dim:field element="language" mdschema="dc" qualifier="iso">eng</dim:field>
<dim:field element="publisher" mdschema="dc">Universitat Autònoma de Barcelona</dim:field>
<dim:field element="rights" mdschema="dc" qualifier="license">L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/</dim:field>
<dim:field element="rights" mdschema="dc" qualifier="accessLevel">info:eu-repo/semantics/openAccess</dim:field>
<dim:field element="source" mdschema="dc">TDX (Tesis Doctorals en Xarxa)</dim:field>
<dim:field element="subject" mdschema="dc">Optical flow</dim:field>
<dim:field element="subject" mdschema="dc">Confidence measures</dim:field>
<dim:field element="subject" mdschema="dc">Performance evaluation</dim:field>
<dim:field element="subject" mdschema="dc" qualifier="other">Tecnologies</dim:field>
<dim:field element="subject" lang="cat" mdschema="dc" qualifier="udc">004</dim:field>
<dim:field element="title" mdschema="dc">A confidence framework for the assessment of optical flow performance</dim:field>
<dim:field element="type" mdschema="dc">info:eu-repo/semantics/doctoralThesis</dim:field>
<dim:field element="type" mdschema="dc">info:eu-repo/semantics/publishedVersion</dim:field>
<dim:field element="embargo" mdschema="dc" qualifier="terms">12 mesos</dim:field>
</dim:dim>
<?xml version="1.0" encoding="UTF-8" ?>
<thesis schemaLocation="http://www.ndltd.org/standards/metadata/etdms/1.0/ http://www.ndltd.org/standards/metadata/etdms/1.0/etdms.xsd">
<title>A confidence framework for the assessment of optical flow performance</title>
<creator>Márquez Valle, Patricia</creator>
<contributor>pmarquez@cvc.uab.cat</contributor>
<contributor>true</contributor>
<contributor>Gil Resina, Debora</contributor>
<contributor>Hernàndez i Sabaté, Aura</contributor>
<contributor>true</contributor>
<subject>Optical flow</subject>
<subject>Confidence measures</subject>
<subject>Performance evaluation</subject>
<description>L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</description>
<description>Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</description>
<date>2015-08-24</date>
<date>2016-07-26</date>
<date>2015-07-27</date>
<type>info:eu-repo/semantics/doctoralThesis</type>
<type>info:eu-repo/semantics/publishedVersion</type>
<identifier>9788449054617</identifier>
<identifier>http://hdl.handle.net/10803/305105</identifier>
<identifier>B-23009-2015</identifier>
<language>eng</language>
<rights>L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/</rights>
<rights>info:eu-repo/semantics/openAccess</rights>
<publisher>Universitat Autònoma de Barcelona</publisher>
<source>TDX (Tesis Doctorals en Xarxa)</source>
</thesis>
<?xml version="1.0" encoding="UTF-8" ?>
<record schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
<leader>00925njm 22002777a 4500</leader>
<datafield ind1=" " ind2=" " tag="042">
<subfield code="a">dc</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="720">
<subfield code="a">Márquez Valle, Patricia</subfield>
<subfield code="e">author</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="260">
<subfield code="c">2015-07-27</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="520">
<subfield code="a">L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="520">
<subfield code="a">Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</subfield>
</datafield>
<datafield ind1="8" ind2=" " tag="024">
<subfield code="a">9788449054617</subfield>
</datafield>
<datafield ind1="8" ind2=" " tag="024">
<subfield code="a">http://hdl.handle.net/10803/305105</subfield>
</datafield>
<datafield ind1="8" ind2=" " tag="024">
<subfield code="a">B-23009-2015</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="653">
<subfield code="a">Optical flow</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="653">
<subfield code="a">Confidence measures</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="653">
<subfield code="a">Performance evaluation</subfield>
</datafield>
<datafield ind1="0" ind2="0" tag="245">
<subfield code="a">A confidence framework for the assessment of optical flow performance</subfield>
</datafield>
</record>
<?xml version="1.0" encoding="UTF-8" ?>
<record schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
<leader>nam a 5i 4500</leader>
<datafield ind1=" " ind2=" " tag="653">
<subfield code="a">Optical flow</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="653">
<subfield code="a">Confidence measures</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="653">
<subfield code="a">Performance evaluation</subfield>
</datafield>
<datafield ind1="1" ind2="0" tag="245">
<subfield code="a">A confidence framework for the assessment of optical flow performance</subfield>
</datafield>
<datafield ind1=" " ind2="1" tag="264">
<subfield code="a">[Barcelona] :</subfield>
<subfield code="b">Universitat Autònoma de Barcelona,</subfield>
<subfield code="c">2015</subfield>
</datafield>
<datafield ind1="4" ind2="0" tag="856">
<subfield code="z">Accés lliure</subfield>
<subfield code="u">http://hdl.handle.net/10803/305105</subfield>
</datafield>
<controlfield tag="007">cr |||||||||||</controlfield>
<controlfield tag="008">AAMMDDs2015 sp ||||fsm||||0|| 0 eng|c</controlfield>
<datafield ind1=" " ind2=" " tag="020">
<subfield code="a">9788449054617</subfield>
</datafield>
<datafield ind1="1" ind2=" " tag="100">
<subfield code="a">Márquez Valle, Patricia,</subfield>
<subfield code="e">autor</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="300">
<subfield code="a">1 recurs en línia (103 pàgines)</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="502">
<subfield code="g">Tesi</subfield>
<subfield code="b">Doctorat</subfield>
<subfield code="c">Universitat Autònoma de Barcelona. Departament de Ciències de la Computació</subfield>
<subfield code="d">2015</subfield>
</datafield>
<datafield ind1="2" ind2=" " tag="710">
<subfield code="a">Universitat Autònoma de Barcelona. Departament de Ciències de la Computació</subfield>
</datafield>
<datafield ind1=" " ind2="4" tag="655">
<subfield code="a">Tesis i dissertacions electròniques</subfield>
</datafield>
<datafield ind1="1" ind2=" " tag="700">
<subfield code="a">Gil Resina, Debora,</subfield>
<subfield code="e">supervisor acadèmic</subfield>
</datafield>
<datafield ind1="1" ind2=" " tag="700">
<subfield code="a">Hernàndez i Sabaté, Aura,</subfield>
<subfield code="e">supervisor acadèmic</subfield>
</datafield>
<datafield ind1="0" ind2=" " tag="730">
<subfield code="a">TDX</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="520">
<subfield code="a">L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="998">
<subfield code="a">a</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="040">
<subfield code="a">ES-BaCBU</subfield>
<subfield code="b">cat</subfield>
<subfield code="e">rda</subfield>
<subfield code="c">ES-BaCBU</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="336">
<subfield code="a">text</subfield>
<subfield code="b">txt</subfield>
<subfield code="2">rdacontent</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="337">
<subfield code="a">informàtic</subfield>
<subfield code="b">c</subfield>
<subfield code="2">rdamedia</subfield>
</datafield>
<datafield ind1=" " ind2=" " tag="338">
<subfield code="a">recurs en línia</subfield>
<subfield code="b">cr</subfield>
<subfield code="2">rdacarrier</subfield>
</datafield>
</record>
<?xml version="1.0" encoding="UTF-8" ?>
<mets ID=" DSpace_ITEM_10803-305105" OBJID=" hdl:10803/305105" PROFILE="DSpace METS SIP Profile 1.0" TYPE="DSpace ITEM" schemaLocation="http://www.loc.gov/METS/ http://www.loc.gov/standards/mets/mets.xsd">
<metsHdr CREATEDATE="2023-01-21T06:25:48Z">
<agent ROLE="CUSTODIAN" TYPE="ORGANIZATION">
<name>TDX (Tesis Doctorals en Xarxa)</name>
</agent>
</metsHdr>
<dmdSec ID="DMD_10803_305105">
<mdWrap MDTYPE="MODS">
<xmlData schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-1.xsd">
<mods:mods schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-1.xsd">
<mods:name>
<mods:role>
<mods:roleTerm type="text">author</mods:roleTerm>
</mods:role>
<mods:namePart>Márquez Valle, Patricia</mods:namePart>
</mods:name>
<mods:name>
<mods:role>
<mods:roleTerm type="text">authoremail</mods:roleTerm>
</mods:role>
<mods:namePart>pmarquez@cvc.uab.cat</mods:namePart>
</mods:name>
<mods:name>
<mods:role>
<mods:roleTerm type="text">authoremailshow</mods:roleTerm>
</mods:role>
<mods:namePart>true</mods:namePart>
</mods:name>
<mods:name>
<mods:role>
<mods:roleTerm type="text">director</mods:roleTerm>
</mods:role>
<mods:namePart>Gil Resina, Debora</mods:namePart>
</mods:name>
<mods:name>
<mods:role>
<mods:roleTerm type="text">director</mods:roleTerm>
</mods:role>
<mods:namePart>Hernàndez i Sabaté, Aura</mods:namePart>
</mods:name>
<mods:name>
<mods:role>
<mods:roleTerm type="text">authorsendemail</mods:roleTerm>
</mods:role>
<mods:namePart>true</mods:namePart>
</mods:name>
<mods:extension>
<mods:dateAccessioned encoding="iso8601">2015-08-24T07:45:50Z</mods:dateAccessioned>
</mods:extension>
<mods:extension>
<mods:dateAvailable encoding="iso8601">2016-07-26T17:44:46Z</mods:dateAvailable>
</mods:extension>
<mods:originInfo>
<mods:dateIssued encoding="iso8601">2015-07-27</mods:dateIssued>
</mods:originInfo>
<mods:identifier type="isbn">9788449054617</mods:identifier>
<mods:identifier type="uri">http://hdl.handle.net/10803/305105</mods:identifier>
<mods:identifier type="dl">B-23009-2015</mods:identifier>
<mods:abstract>L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</mods:abstract>
<mods:abstract>Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</mods:abstract>
<mods:language>
<mods:languageTerm authority="rfc3066">eng</mods:languageTerm>
</mods:language>
<mods:subject>
<mods:topic>Optical flow</mods:topic>
</mods:subject>
<mods:subject>
<mods:topic>Confidence measures</mods:topic>
</mods:subject>
<mods:subject>
<mods:topic>Performance evaluation</mods:topic>
</mods:subject>
<mods:titleInfo>
<mods:title>A confidence framework for the assessment of optical flow performance</mods:title>
</mods:titleInfo>
<mods:genre>info:eu-repo/semantics/doctoralThesis info:eu-repo/semantics/publishedVersion</mods:genre>
</mods:mods>
</xmlData>
</mdWrap>
</dmdSec>
<amdSec ID="FO_10803_305105_1">
<techMD ID="TECH_O_10803_305105_1">
<mdWrap MDTYPE="PREMIS">
<xmlData schemaLocation="http://www.loc.gov/standards/premis http://www.loc.gov/standards/premis/PREMIS-v1-0.xsd">
<premis:premis>
<premis:object>
<premis:objectIdentifier>
<premis:objectIdentifierType>URL</premis:objectIdentifierType>
<premis:objectIdentifierValue>https://www.tdx.cat/bitstream/10803/305105/1/pmv1de1.pdf</premis:objectIdentifierValue>
</premis:objectIdentifier>
<premis:objectCategory>File</premis:objectCategory>
<premis:objectCharacteristics>
<premis:fixity>
<premis:messageDigestAlgorithm>MD5</premis:messageDigestAlgorithm>
<premis:messageDigest>693c808bc29a53f5aa919ed24fc5a88d</premis:messageDigest>
</premis:fixity>
<premis:size>2324717</premis:size>
<premis:format>
<premis:formatDesignation>
<premis:formatName>application/pdf</premis:formatName>
</premis:formatDesignation>
</premis:format>
</premis:objectCharacteristics>
<premis:originalName>pmv1de1.pdf</premis:originalName>
</premis:object>
</premis:premis>
</xmlData>
</mdWrap>
</techMD>
</amdSec>
<amdSec ID="FT_10803_305105_5">
<techMD ID="TECH_T_10803_305105_5">
<mdWrap MDTYPE="PREMIS">
<xmlData schemaLocation="http://www.loc.gov/standards/premis http://www.loc.gov/standards/premis/PREMIS-v1-0.xsd">
<premis:premis>
<premis:object>
<premis:objectIdentifier>
<premis:objectIdentifierType>URL</premis:objectIdentifierType>
<premis:objectIdentifierValue>https://www.tdx.cat/bitstream/10803/305105/5/pmv1de1.pdf.txt</premis:objectIdentifierValue>
</premis:objectIdentifier>
<premis:objectCategory>File</premis:objectCategory>
<premis:objectCharacteristics>
<premis:fixity>
<premis:messageDigestAlgorithm>MD5</premis:messageDigestAlgorithm>
<premis:messageDigest>509e4f52a6f04837981e62bf07d43362</premis:messageDigest>
</premis:fixity>
<premis:size>208222</premis:size>
<premis:format>
<premis:formatDesignation>
<premis:formatName>text/plain</premis:formatName>
</premis:formatDesignation>
</premis:format>
</premis:objectCharacteristics>
<premis:originalName>pmv1de1.pdf.txt</premis:originalName>
</premis:object>
</premis:premis>
</xmlData>
</mdWrap>
</techMD>
</amdSec>
<fileSec>
<fileGrp USE="ORIGINAL">
<file ADMID="FO_10803_305105_1" CHECKSUM="693c808bc29a53f5aa919ed24fc5a88d" CHECKSUMTYPE="MD5" GROUPID="GROUP_BITSTREAM_10803_305105_1" ID="BITSTREAM_ORIGINAL_10803_305105_1" MIMETYPE="application/pdf" SEQ="1" SIZE="2324717">
</file>
</fileGrp>
<fileGrp USE="TEXT">
<file ADMID="FT_10803_305105_5" CHECKSUM="509e4f52a6f04837981e62bf07d43362" CHECKSUMTYPE="MD5" GROUPID="GROUP_BITSTREAM_10803_305105_5" ID="BITSTREAM_TEXT_10803_305105_5" MIMETYPE="text/plain" SEQ="5" SIZE="208222">
</file>
</fileGrp>
</fileSec>
<structMap LABEL="DSpace Object" TYPE="LOGICAL">
<div ADMID="DMD_10803_305105" TYPE="DSpace Object Contents">
<div TYPE="DSpace BITSTREAM">
</div>
</div>
</structMap>
</mets>
<?xml version="1.0" encoding="UTF-8" ?>
<mods:mods schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-1.xsd">
<mods:name>
<mods:namePart>Márquez Valle, Patricia</mods:namePart>
</mods:name>
<mods:extension>
<mods:dateAvailable encoding="iso8601">2015-08-24T07:45:50Z</mods:dateAvailable>
</mods:extension>
<mods:extension>
<mods:dateAccessioned encoding="iso8601">2016-07-26T17:44:46Z</mods:dateAccessioned>
</mods:extension>
<mods:originInfo>
<mods:dateIssued encoding="iso8601">2015-07-27</mods:dateIssued>
</mods:originInfo>
<mods:identifier type="isbn">9788449054617</mods:identifier>
<mods:identifier type="uri">http://hdl.handle.net/10803/305105</mods:identifier>
<mods:identifier type="dl">B-23009-2015</mods:identifier>
<mods:abstract>L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</mods:abstract>
<mods:abstract>Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</mods:abstract>
<mods:language>
<mods:languageTerm>eng</mods:languageTerm>
</mods:language>
<mods:accessCondition type="useAndReproduction">L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/</mods:accessCondition>
<mods:accessCondition type="useAndReproduction">info:eu-repo/semantics/openAccess</mods:accessCondition>
<mods:subject>
<mods:topic>Optical flow</mods:topic>
</mods:subject>
<mods:subject>
<mods:topic>Confidence measures</mods:topic>
</mods:subject>
<mods:subject>
<mods:topic>Performance evaluation</mods:topic>
</mods:subject>
<mods:titleInfo>
<mods:title>A confidence framework for the assessment of optical flow performance</mods:title>
</mods:titleInfo>
<mods:genre>info:eu-repo/semantics/doctoralThesis</mods:genre>
<mods:genre>info:eu-repo/semantics/publishedVersion</mods:genre>
</mods:mods>
<?xml version="1.0" encoding="UTF-8" ?>
<oaire:record schemaLocation="http://namespaceopenaire.eu/schema/oaire/">
<dc:title>A confidence framework for the assessment of optical flow performance</dc:title>
<datacite:creator>
<datacite:creatorName>Márquez Valle, Patricia</datacite:creatorName>
</datacite:creator>
<datacite:contributor>pmarquez@cvc.uab.cat</datacite:contributor>
<datacite:contributor>true</datacite:contributor>
<datacite:contributor>Gil Resina, Debora</datacite:contributor>
<datacite:contributor>Hernàndez i Sabaté, Aura</datacite:contributor>
<datacite:contributor>true</datacite:contributor>
<datacite:contributor>Universitat Autònoma de Barcelona. Departament de Ciències de la Computació</datacite:contributor>
<dc:subject>Optical flow</dc:subject>
<dc:subject>Confidence measures</dc:subject>
<dc:subject>Performance evaluation</dc:subject>
<dc:subject>Tecnologies</dc:subject>
<dc:subject>004</dc:subject>
<dc:description>L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</dc:description>
<dc:description>Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</dc:description>
<dc:date>2015-08-24T07:45:50Z</dc:date>
<dc:date>2016-07-26T17:44:46Z</dc:date>
<dc:date>2015-07-27</dc:date>
<dc:type>info:eu-repo/semantics/doctoralThesis</dc:type>
<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
<datacite:alternateIdentifier>9788449054617</datacite:alternateIdentifier>
<datacite:alternateIdentifier>http://hdl.handle.net/10803/305105</datacite:alternateIdentifier>
<datacite:alternateIdentifier>B-23009-2015</datacite:alternateIdentifier>
<dc:language>eng</dc:language>
<dc:rights>L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/</dc:rights>
<dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
<dc:format>103 p.</dc:format>
<dc:format>application/pdf</dc:format>
<dc:format>application/pdf</dc:format>
<dc:publisher>Universitat Autònoma de Barcelona</dc:publisher>
<dc:source>TDX (Tesis Doctorals en Xarxa)</dc:source>
<oaire:file>https://www.tdx.cat/bitstream/10803/305105/1/pmv1de1.pdf</oaire:file>
</oaire:record>
<?xml version="1.0" encoding="UTF-8" ?>
<atom:entry schemaLocation="http://www.w3.org/2005/Atom http://www.kbcafe.com/rss/atom.xsd.xml">
<atom:id>http://hdl.handle.net/10803/305105/ore.xml</atom:id>
<atom:published>2016-07-26T17:44:46Z</atom:published>
<atom:updated>2015-08-24T07:45:50Z</atom:updated>
<atom:source>
<atom:generator>TDX (Tesis Doctorals en Xarxa)</atom:generator>
</atom:source>
<atom:title>A confidence framework for the assessment of optical flow performance</atom:title>
<atom:author>
<atom:name>Márquez Valle, Patricia</atom:name>
</atom:author>
<oreatom:triples>
<rdf:Description about="http://hdl.handle.net/10803/305105/ore.xml#atom">
<dcterms:modified>2015-08-24T07:45:50Z</dcterms:modified>
</rdf:Description>
<rdf:Description about="https://www.tdx.cat/bitstream/10803/305105/1/pmv1de1.pdf">
<dcterms:description>ORIGINAL</dcterms:description>
</rdf:Description>
<rdf:Description about="https://www.tdx.cat/bitstream/10803/305105/2/license_url">
<dcterms:description>CC-LICENSE</dcterms:description>
</rdf:Description>
<rdf:Description about="https://www.tdx.cat/bitstream/10803/305105/3/license_text">
<dcterms:description>CC-LICENSE</dcterms:description>
</rdf:Description>
<rdf:Description about="https://www.tdx.cat/bitstream/10803/305105/4/license_rdf">
<dcterms:description>CC-LICENSE</dcterms:description>
</rdf:Description>
<rdf:Description about="https://www.tdx.cat/bitstream/10803/305105/5/pmv1de1.pdf.txt">
<dcterms:description>TEXT</dcterms:description>
</rdf:Description>
<rdf:Description about="https://www.tdx.cat/bitstream/10803/305105/6/pmv1de1.pdf.xml">
<dcterms:description>MEDIA_DOCUMENT</dcterms:description>
</rdf:Description>
</oreatom:triples>
</atom:entry>
<?xml version="1.0" encoding="UTF-8" ?>
<qdc:qualifieddc schemaLocation="http://purl.org/dc/elements/1.1/ http://dublincore.org/schemas/xmls/qdc/2006/01/06/dc.xsd http://purl.org/dc/terms/ http://dublincore.org/schemas/xmls/qdc/2006/01/06/dcterms.xsd http://dspace.org/qualifieddc/ http://www.ukoln.ac.uk/metadata/dcmi/xmlschema/qualifieddc.xsd">
<dc:title>A confidence framework for the assessment of optical flow performance</dc:title>
<dc:creator>Márquez Valle, Patricia</dc:creator>
<dc:contributor>Gil Resina, Debora</dc:contributor>
<dc:contributor>Hernàndez i Sabaté, Aura</dc:contributor>
<dc:subject>Optical flow</dc:subject>
<dc:subject>Confidence measures</dc:subject>
<dc:subject>Performance evaluation</dc:subject>
<dcterms:abstract>L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</dcterms:abstract>
<dcterms:abstract>Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</dcterms:abstract>
<dcterms:dateAccepted>2016-07-26T17:44:46Z</dcterms:dateAccepted>
<dcterms:available>2016-07-26T17:44:46Z</dcterms:available>
<dcterms:created>2016-07-26T17:44:46Z</dcterms:created>
<dcterms:issued>2015-07-27</dcterms:issued>
<dc:type>info:eu-repo/semantics/doctoralThesis</dc:type>
<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
<dc:identifier>9788449054617</dc:identifier>
<dc:identifier>http://hdl.handle.net/10803/305105</dc:identifier>
<dc:identifier>B-23009-2015</dc:identifier>
<dc:language>eng</dc:language>
<dc:rights>L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/</dc:rights>
<dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
<dc:publisher>Universitat Autònoma de Barcelona</dc:publisher>
<dc:source>TDX (Tesis Doctorals en Xarxa)</dc:source>
</qdc:qualifieddc>
<?xml version="1.0" encoding="UTF-8" ?>
<rdf:RDF schemaLocation="http://www.openarchives.org/OAI/2.0/rdf/ http://www.openarchives.org/OAI/2.0/rdf.xsd">
<ow:Publication about="oai:www.tdx.cat:10803/305105">
<dc:title>A confidence framework for the assessment of optical flow performance</dc:title>
<dc:creator>Márquez Valle, Patricia</dc:creator>
<dc:contributor>pmarquez@cvc.uab.cat</dc:contributor>
<dc:contributor>true</dc:contributor>
<dc:contributor>Gil Resina, Debora</dc:contributor>
<dc:contributor>Hernàndez i Sabaté, Aura</dc:contributor>
<dc:contributor>true</dc:contributor>
<dc:subject>Optical flow</dc:subject>
<dc:subject>Confidence measures</dc:subject>
<dc:subject>Performance evaluation</dc:subject>
<dc:description>L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</dc:description>
<dc:description>Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</dc:description>
<dc:date>2015-08-24T07:45:50Z</dc:date>
<dc:date>2016-07-26T17:44:46Z</dc:date>
<dc:date>2015-07-27</dc:date>
<dc:type>info:eu-repo/semantics/doctoralThesis</dc:type>
<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
<dc:identifier>9788449054617</dc:identifier>
<dc:identifier>http://hdl.handle.net/10803/305105</dc:identifier>
<dc:identifier>B-23009-2015</dc:identifier>
<dc:language>eng</dc:language>
<dc:rights>L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/</dc:rights>
<dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
<dc:publisher>Universitat Autònoma de Barcelona</dc:publisher>
<dc:source>TDX (Tesis Doctorals en Xarxa)</dc:source>
</ow:Publication>
</rdf:RDF>
<?xml version="1.0" encoding="UTF-8" ?>
<uketd_dc:uketddc schemaLocation="http://naca.central.cranfield.ac.uk/ethos-oai/2.0/ http://naca.central.cranfield.ac.uk/ethos-oai/2.0/uketd_dc.xsd">
<dc:title>A confidence framework for the assessment of optical flow performance</dc:title>
<dc:creator>Márquez Valle, Patricia</dc:creator>
<dcterms:abstract>L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</dcterms:abstract>
<dcterms:abstract>Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</dcterms:abstract>
<uketdterms:institution>Universitat Autònoma de Barcelona</uketdterms:institution>
<dcterms:issued>2015-07-27</dcterms:issued>
<dc:type>info:eu-repo/semantics/doctoralThesis</dc:type>
<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
<dc:language type="dcterms:ISO639-2">eng</dc:language>
<dcterms:isReferencedBy>http://hdl.handle.net/10803/305105</dcterms:isReferencedBy>
<dc:identifier type="dcterms:URI">https://www.tdx.cat/bitstream/10803/305105/1/pmv1de1.pdf</dc:identifier>
<uketdterms:checksum type="uketdterms:MD5">693c808bc29a53f5aa919ed24fc5a88d</uketdterms:checksum>
<dcterms:hasFormat>https://www.tdx.cat/bitstream/10803/305105/5/pmv1de1.pdf.txt</dcterms:hasFormat>
<uketdterms:checksum type="uketdterms:MD5">509e4f52a6f04837981e62bf07d43362</uketdterms:checksum>
<uketdterms:embargodate>12 mesos</uketdterms:embargodate>
<dc:subject>Optical flow</dc:subject>
<dc:subject>Confidence measures</dc:subject>
<dc:subject>Performance evaluation</dc:subject>
<dc:subject>Tecnologies</dc:subject>
<dc:identifier>9788449054617</dc:identifier>
</uketd_dc:uketddc>
<?xml version="1.0" encoding="UTF-8" ?>
<metadata schemaLocation="http://www.lyncode.com/xoai http://www.lyncode.com/xsd/xoai.xsd">
<element name="dc">
<element name="contributor">
<element name="none">
<field name="value">Universitat Autònoma de Barcelona. Departament de Ciències de la Computació</field>
</element>
<element name="author">
<element name="none">
<field name="value">Márquez Valle, Patricia</field>
</element>
</element>
<element name="authoremail">
<element name="none">
<field name="value">pmarquez@cvc.uab.cat</field>
</element>
</element>
<element name="authoremailshow">
<element name="none">
<field name="value">true</field>
</element>
</element>
<element name="director">
<element name="none">
<field name="value">Gil Resina, Debora</field>
<field name="value">Hernàndez i Sabaté, Aura</field>
</element>
</element>
<element name="authorsendemail">
<element name="none">
<field name="value">true</field>
</element>
</element>
</element>
<element name="date">
<element name="accessioned">
<element name="none">
<field name="value">2015-08-24T07:45:50Z</field>
</element>
</element>
<element name="available">
<element name="none">
<field name="value">2016-07-26T17:44:46Z</field>
</element>
</element>
<element name="issued">
<element name="none">
<field name="value">2015-07-27</field>
</element>
</element>
</element>
<element name="identifier">
<element name="isbn">
<element name="none">
<field name="value">9788449054617</field>
</element>
</element>
<element name="uri">
<element name="none">
<field name="value">http://hdl.handle.net/10803/305105</field>
</element>
</element>
<element name="dl">
<element name="none">
<field name="value">B-23009-2015</field>
</element>
</element>
</element>
<element name="description">
<element name="abstract">
<element name="cat">
<field name="value">L’Optical Flow (OF) és l’input d’una gran varietat de Sistemes de Suport a Decisions (DSS) com ara assistència a la conducció, guia UAV o diagnosis mèdic. En aquestes situacions, l’absència de ground truth ens obliga a avaluar la qualitat de l’OF calculat mitjançant quantitats calculades a partir de les seqüències o bé a partir del mateix OF. Aquestes quantitats es coneixen generalment com a Mesures de Confiança (CM). Encara que tinguem una mesura de confiança, necessitem alguna eina per tal d’avaluar la seva capacitat per descartar píxels de la imatge que tenen tendència a tindre error. Els mètodes actuals només aporten una avaluació descriptiva del rendiment de les CM, el problema és que aquests mètodes no són capaços de comparar equitativament les diferents CM i OF. Així doncs, necessitem definir una metodologia que avalu¨ı el rendiment de les tècniques d’OF. Aquesta tesi aporta la definició d’una metodologia que ens permet decidir quines parelles ”optical flow - mesura de confiança” (OF-CM) estan millor preparades per a definir una cota de l’error de l’OF donat un nivell de confiança per a un DSS. Per tal de definir aquesta metodologia, la tesis engloba els següents punts: • Marcadors qualificatius. Es presenten 3 gràfiques descriptives que avaluen de forma visual les capacitats de CM d’acotar l’error de l’OF. A més a més de les gràfiques descriptives, donada una gràfica representant la parella OF-CM, donem una qualificació automàtica que categoritza la gràfica donat el tipus de perfil. • Metodologia estadística. Es proporciona una metodologia comparativa que permet determinar quina és la millor parella OF-CM per a acotar l’error de l’OF, aquesta metodologia consta de dues parts. Primer s’avalua el valor predictiu de la CM mitjançant la gràfica descriptiva. Després, per a una mostra de gràfiques descriptives calculades sobre unes seqüències de training, s’obté una corba genèrica que es podrà fer servir per a seqüències que no tenen ground truth. En el segon pas, s’avalua la corba genèrica obtinguda i les seves capacitats per a reflectir el valor predictiu de la mesura de confiança mitjançant ANOVA’s. La metodologia presentada mostra el potencial en aplicació clínica per a DSS. En concret, s’ha analitzat l’impacte de diferents artefactes en la imatge com ara soroll o deteriorament en el resultat final d’OF per a imatges del cor. També s’ha aplicat per a millorar la navegació dintre l’arbre bronquial en una broncoscòpia.</field>
</element>
<element name="eng">
<field name="value">Optical Flow (OF) is the input of a wide range of decision support systems such as car driver assistance, UAV guiding or medical diagnose. In these real situations, the absence of ground truth forces to assess OF quality using quantities computed from either sequences or the computed optical flow itself. These quantities are generally known as Confidence Measures, CM. Even if we have a proper confidence measure we still need a way to evaluate its ability to discard pixels with an OF prone to have a large error. Current approaches only provide a descriptive evaluation of the CM performance but such approaches are not capable to fairly compare different confidence measures and optical flow algorithms. Thus, it is of prime importance to define a framework and a general road map for the evaluation of optical flow performance. This thesis provides a framework able to decide which pairs ”optical flow - con- fidence measure” (OF-CM) are best suited for optical flow error bounding given a confidence level determined by a decision support system. To design this framework we cover the following points: • Descriptive scores. As a first step, we summarize and analyze the sources of inaccuracies in the output of optical flow algorithms. Second, we present several descriptive plots that visually assess CM capabilities for OF error bounding. In addition to the descriptive plots, given a plot representing OF-CMcapabilities to bound the error, we provide a numeric score that categorizes the plot according to its decreasing profile, that is, a score assessing CM performance. • Statistical framework. We provide a comparison framework that assesses the best suited OF-CM pair for error bounding that uses a two stage cascade process. First of all we assess the predictive value of the confidence measures by means of a descriptive plot. Then, for a sample of descriptive plots computed over training frames, we obtain a generic curve that will be used for sequences with no ground truth. As a second step, we evaluate the obtained general curve and its capabilities to really reflect the predictive value of a confidence measure using the variability across train frames by means of ANOVA. The presented framework has shown its potential in the application on clinical decision support systems. In particular, we have analyzed the impact of the different image artifacts such as noise and decay to the output of optical flow in a cardiac diagnose system and we have improved the navigation inside the bronchial tree on bronchoscopy.</field>
</element>
</element>
</element>
<element name="format">
<element name="extent">
<element name="none">
<field name="value">103 p.</field>
</element>
</element>
<element name="mimetype">
<element name="none">
<field name="value">application/pdf</field>
</element>
</element>
</element>
<element name="language">
<element name="iso">
<element name="none">
<field name="value">eng</field>
</element>
</element>
</element>
<element name="publisher">
<element name="none">
<field name="value">Universitat Autònoma de Barcelona</field>
</element>
</element>
<element name="rights">
<element name="license">
<element name="none">
<field name="value">L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/</field>
</element>
</element>
<element name="accessLevel">
<element name="none">
<field name="value">info:eu-repo/semantics/openAccess</field>
</element>
</element>
</element>
<element name="source">
<element name="none">
<field name="value">TDX (Tesis Doctorals en Xarxa)</field>
</element>
</element>
<element name="subject">
<element name="none">
<field name="value">Optical flow</field>
<field name="value">Confidence measures</field>
<field name="value">Performance evaluation</field>
</element>
<element name="other">
<element name="none">
<field name="value">Tecnologies</field>
</element>
</element>
<element name="udc">
<element name="cat">
<field name="value">004</field>
</element>
</element>
</element>
<element name="title">
<element name="none">
<field name="value">A confidence framework for the assessment of optical flow performance</field>
</element>
</element>
<element name="type">
<element name="none">
<field name="value">info:eu-repo/semantics/doctoralThesis</field>
<field name="value">info:eu-repo/semantics/publishedVersion</field>
</element>
</element>
<element name="embargo">
<element name="terms">
<element name="none">
<field name="value">12 mesos</field>
</element>
</element>
</element>
</element>
<element name="bundles">
<element name="bundle">
<field name="name">ORIGINAL</field>
<element name="bitstreams">
<element name="bitstream">
<field name="name">pmv1de1.pdf</field>
<field name="originalName">pmv1de1.pdf</field>
<field name="format">application/pdf</field>
<field name="size">2324717</field>
<field name="url">https://www.tdx.cat/bitstream/10803/305105/1/pmv1de1.pdf</field>
<field name="checksum">693c808bc29a53f5aa919ed24fc5a88d</field>
<field name="checksumAlgorithm">MD5</field>
<field name="sid">1</field>
<field name="drm">open access</field>
</element>
</element>
</element>
<element name="bundle">
<field name="name">CC-LICENSE</field>
<element name="bitstreams">
<element name="bitstream">
<field name="name">license_url</field>
<field name="originalName">license_url</field>
<field name="format">text/plain; charset=utf-8</field>
<field name="size">52</field>
<field name="url">https://www.tdx.cat/bitstream/10803/305105/2/license_url</field>
<field name="checksum">81d062cbbb61e4032033a8fbcbca52da</field>
<field name="checksumAlgorithm">MD5</field>
<field name="sid">2</field>
<field name="drm">open access</field>
</element>
<element name="bitstream">
<field name="name">license_text</field>
<field name="originalName">license_text</field>
<field name="format">text/html; charset=utf-8</field>
<field name="size">0</field>
<field name="url">https://www.tdx.cat/bitstream/10803/305105/3/license_text</field>
<field name="checksum">d41d8cd98f00b204e9800998ecf8427e</field>
<field name="checksumAlgorithm">MD5</field>
<field name="sid">3</field>
<field name="drm">open access</field>
</element>
<element name="bitstream">
<field name="name">license_rdf</field>
<field name="originalName">license_rdf</field>
<field name="format">application/rdf+xml; charset=utf-8</field>
<field name="size">24987</field>
<field name="url">https://www.tdx.cat/bitstream/10803/305105/4/license_rdf</field>
<field name="checksum">b8cc019edc80f20696d96e983993d1e5</field>
<field name="checksumAlgorithm">MD5</field>
<field name="sid">4</field>
<field name="drm">open access</field>
</element>
</element>
</element>
<element name="bundle">
<field name="name">TEXT</field>
<element name="bitstreams">
<element name="bitstream">
<field name="name">pmv1de1.pdf.txt</field>
<field name="originalName">pmv1de1.pdf.txt</field>
<field name="description">Extracted text</field>
<field name="format">text/plain</field>
<field name="size">208222</field>
<field name="url">https://www.tdx.cat/bitstream/10803/305105/5/pmv1de1.pdf.txt</field>
<field name="checksum">509e4f52a6f04837981e62bf07d43362</field>
<field name="checksumAlgorithm">MD5</field>
<field name="sid">5</field>
<field name="drm">open access</field>
</element>
</element>
</element>
<element name="bundle">
<field name="name">MEDIA_DOCUMENT</field>
<element name="bitstreams">
<element name="bitstream">
<field name="name">pmv1de1.pdf.xml</field>
<field name="originalName">pmv1de1.pdf.xml</field>
<field name="description">Document Consulta</field>
<field name="format">text/xml</field>
<field name="size">105</field>
<field name="url">https://www.tdx.cat/bitstream/10803/305105/6/pmv1de1.pdf.xml</field>
<field name="checksum">9688a571abfe87c8e78c8f100f329ad9</field>
<field name="checksumAlgorithm">MD5</field>
<field name="sid">6</field>
<field name="drm">open access</field>
</element>
</element>
</element>
</element>
<element name="others">
<field name="handle">10803/305105</field>
<field name="identifier">oai:www.tdx.cat:10803/305105</field>
<field name="lastModifyDate">2017-09-26 07:10:48.14</field>
<field name="drm">open access</field>
</element>
<element name="repository">
<field name="name">TDX (Tesis Doctorals en Xarxa)</field>
<field name="mail">pir@csuc.cat</field>
</element>
</metadata>