Deep Discriminant Analysis in binary segmentation of images

Sztamborski, Adam

Deep Discriminant Analysis in binary segmentation of images

Image segmentation is a fundamental task in image processing, with applications ranging from medical imaging to autonomous systems. This thesis introduces a novel Deep Discriminant Analysis (DDA) loss, which integrates classical discriminant analysis principles into deep neural networks to increase...

Descripción completa

Detalles Bibliográficos
Autor:	Sztamborski, Adam
Tipo de recurso:	tesis de maestría
Fecha de publicación:	2025
País:	España
Institución:	Universitat Politècnica de Catalunya (UPC)
Repositorio:	UPCommons. Portal del coneixement obert de la UPC
Idioma:	inglés
OAI Identifier:	oai:upcommons.upc.edu:2117/445045
Acceso en línea:	https://hdl.handle.net/2117/445045
Access Level:	acceso abierto
Palabra clave:	Computer vision Deep learning Machine learning Imaging systems in medicine Deep Discriminant Analysis Discriminant loss Fisher criterion Image segmentation U-Net Convolutional neural networks Dichotomous image segmentation Anàlisi discriminant profunda Pèrdua discriminant Criteri de Fisher Segmentació d'imatges Aprenentatge profund Segmentació dicotòmica d'imatges Visió per ordinador Aprenentatge automàtic Imatgeria mèdica Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic

id	ES_0be4c056a5a4b373ddd6fffa2ea7d945
oai_identifier_str	oai:upcommons.upc.edu:2117/445045
network_acronym_str	ES
network_name_str	España
repository_id_str
spelling	Deep Discriminant Analysis in binary segmentation of imagesSztamborski, AdamComputer visionDeep learningMachine learningImaging systems in medicineDeep Discriminant AnalysisDiscriminant lossFisher criterionImage segmentationU-NetConvolutional neural networksDeep learningDichotomous image segmentationAnàlisi discriminant profundaPèrdua discriminantCriteri de FisherSegmentació d'imatgesAprenentatge profundSegmentació dicotòmica d'imatgesSegmentació dicotòmica d'imatgesVisió per ordinadorAprenentatge profundAprenentatge automàticImatgeria mèdicaÀrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàticImage segmentation is a fundamental task in image processing, with applications ranging from medical imaging to autonomous systems. This thesis introduces a novel Deep Discriminant Analysis (DDA) loss, which integrates classical discriminant analysis principles into deep neural networks to increase class separability in segmentation tasks. The proposed loss encourages the network to produce wellseparated representations of foreground and background pixels in the learned feature space, leading to more discriminative and interpretable representations. The effectiveness of the DDA loss is first validated on synthetic and simple classi-cation problems, then evaluated on the challenging DIS5K dataset using a tailored U-Net architecture. Experimental results demonstrate consistent improvements over the standard Binary Cross-Entropy (BCE) loss, yielding faster convergence, higher separability, and superior segmentation metrics across multiple test subsets. All experiments are carried out using publicly available datasets and open-source frameworks, with careful consideration of reproducibility, computational efficiency, and ethical standards. These findings confirm that discriminant analysis principles can be effectively embedded within deep architectures, offering a practical enhancement to contemporary segmentation methods.Universitat Politècnica de CatalunyaAgudo, AntonioPérez i Gonzalo, RaülKosmidis, Leonidas20252025-10-2220252025-10-30master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttps://hdl.handle.net/2117/445045reponame:UPCommons. Portal del coneixement obert de la UPCinstname:Universitat Politècnica de Catalunya (UPC)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessoai:upcommons.upc.edu:2117/4450452026-05-27T15:37:01Z
dc.title.none.fl_str_mv	Deep Discriminant Analysis in binary segmentation of images
title	Deep Discriminant Analysis in binary segmentation of images
spellingShingle	Deep Discriminant Analysis in binary segmentation of images Sztamborski, Adam Computer vision Deep learning Machine learning Imaging systems in medicine Deep Discriminant Analysis Discriminant loss Fisher criterion Image segmentation U-Net Convolutional neural networks Deep learning Dichotomous image segmentation Anàlisi discriminant profunda Pèrdua discriminant Criteri de Fisher Segmentació d'imatges Aprenentatge profund Segmentació dicotòmica d'imatges Segmentació dicotòmica d'imatges Visió per ordinador Aprenentatge profund Aprenentatge automàtic Imatgeria mèdica Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic
title_short	Deep Discriminant Analysis in binary segmentation of images
title_full	Deep Discriminant Analysis in binary segmentation of images
title_fullStr	Deep Discriminant Analysis in binary segmentation of images
title_full_unstemmed	Deep Discriminant Analysis in binary segmentation of images
title_sort	Deep Discriminant Analysis in binary segmentation of images
dc.creator.none.fl_str_mv	Sztamborski, Adam
author	Sztamborski, Adam
author_facet	Sztamborski, Adam
author_role	author
dc.contributor.none.fl_str_mv	Agudo, Antonio Pérez i Gonzalo, Raül Kosmidis, Leonidas
dc.subject.none.fl_str_mv	Computer vision Deep learning Machine learning Imaging systems in medicine Deep Discriminant Analysis Discriminant loss Fisher criterion Image segmentation U-Net Convolutional neural networks Deep learning Dichotomous image segmentation Anàlisi discriminant profunda Pèrdua discriminant Criteri de Fisher Segmentació d'imatges Aprenentatge profund Segmentació dicotòmica d'imatges Segmentació dicotòmica d'imatges Visió per ordinador Aprenentatge profund Aprenentatge automàtic Imatgeria mèdica Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic
topic	Computer vision Deep learning Machine learning Imaging systems in medicine Deep Discriminant Analysis Discriminant loss Fisher criterion Image segmentation U-Net Convolutional neural networks Deep learning Dichotomous image segmentation Anàlisi discriminant profunda Pèrdua discriminant Criteri de Fisher Segmentació d'imatges Aprenentatge profund Segmentació dicotòmica d'imatges Segmentació dicotòmica d'imatges Visió per ordinador Aprenentatge profund Aprenentatge automàtic Imatgeria mèdica Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic
description	Image segmentation is a fundamental task in image processing, with applications ranging from medical imaging to autonomous systems. This thesis introduces a novel Deep Discriminant Analysis (DDA) loss, which integrates classical discriminant analysis principles into deep neural networks to increase class separability in segmentation tasks. The proposed loss encourages the network to produce wellseparated representations of foreground and background pixels in the learned feature space, leading to more discriminative and interpretable representations. The effectiveness of the DDA loss is first validated on synthetic and simple classi-cation problems, then evaluated on the challenging DIS5K dataset using a tailored U-Net architecture. Experimental results demonstrate consistent improvements over the standard Binary Cross-Entropy (BCE) loss, yielding faster convergence, higher separability, and superior segmentation metrics across multiple test subsets. All experiments are carried out using publicly available datasets and open-source frameworks, with careful consideration of reproducibility, computational efficiency, and ethical standards. These findings confirm that discriminant analysis principles can be effectively embedded within deep architectures, offering a practical enhancement to contemporary segmentation methods.
publishDate	2025
dc.date.none.fl_str_mv	2025 2025-10-22 2025 2025-10-30
dc.type.none.fl_str_mv	master thesis http://purl.org/coar/resource_type/c_bdcc NA http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv	info:eu-repo/semantics/masterThesis
format	masterThesis
dc.identifier.none.fl_str_mv	https://hdl.handle.net/2117/445045
url	https://hdl.handle.net/2117/445045
dc.language.none.fl_str_mv	Inglés eng
language_invalid_str_mv	Inglés
language	eng
dc.rights.none.fl_str_mv	open access http://purl.org/coar/access_right/c_abf2
dc.rights.openaire.fl_str_mv	info:eu-repo/semantics/openAccess
rights_invalid_str_mv	open access http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.none.fl_str_mv	application/pdf application/pdf
dc.publisher.none.fl_str_mv	Universitat Politècnica de Catalunya
publisher.none.fl_str_mv	Universitat Politècnica de Catalunya
dc.source.none.fl_str_mv	reponame:UPCommons. Portal del coneixement obert de la UPC instname:Universitat Politècnica de Catalunya (UPC)
instname_str	Universitat Politècnica de Catalunya (UPC)
reponame_str	UPCommons. Portal del coneixement obert de la UPC
collection	UPCommons. Portal del coneixement obert de la UPC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_	1869403253659140096
score	15.811543

Deep Discriminant Analysis in binary segmentation of images

Similares en LA Referencia