多目标检测的顺序蒙特卡罗和分层检测网纲要在本文中，我们提出了一个新的框架检测，二维和三维图像中的多个对象。
由于一个联合的多对象模型难以获得在大多数实际情况下，我们在这里关注的物体的检测顺序，一个一个的。
对象之间的相互依存关系的姿态和强大的现有信息嵌入在我们的医学图像的结果优于单独检测对象域。
我们的方法是基于序列估计技术，经常应用到的视觉跟踪。
不像在跟踪，其中顺序自然是确定的时间序列，多个对象的检测的顺序必须被选择，导致分层检测网络（HDN）。
我们提出了一个算法优化选择基于概率的状态的顺序（对象构成的地面区域内）。
对象构成的近似的后验分布在每一步的顺序蒙特卡罗。
样品在多个对象和层级序列内的传播。
在左心房的二维超声图像显示我们，是自动选择的顺序产量低的平均检测误差。
我们还定量评价胎面分层检测和三胎儿的大脑结构的三维超声图像。
1 介绍多目标检测是计算机视觉系统中的许多应用，例如在视觉跟踪[ 15 ]，初始化分割[ 20 ]，或在医疗成像[ 2 ]。
图1说明了多目标检测的两个例子，我们有兴趣。
多－目标检测[ 5，19，国家的最先进的方法，9 ]依靠每个对象类的一个单独的探测器后处理修剪杂散检测内和类之间。
联合检测多个对象而不是单独的优点是物体间的空间关系可以被利用。
由于获得的多个对象连接模型的困难在大多数实际应用中，多目标检测任务由多个单独的对象检测器的空间模型[ 4 ]连接解决。
的物体的相对位置提供约束，使系统具有更强的鲁棒性通过聚焦搜索区域中的对象是基于其他对象的位置的期望。
在这些算法的最具挑战性的方面是设计的探测器，快速和强大的，建模对象之间的空间关系，并确定检测顺序。
在本文中，我们提出了一种多目标检测系统，解决了这些难题。
图1 多目标检测的例子：左心房（LA）所标志的心尖二腔（A2C）视图（左）和三解剖脑胎儿三维超声体积（右）。
我们的计算速度和提高系统的鲁棒性的分层处理。
在检测中，一个主要的问题是如何有效地传播对象可以在层次结构的级别者。
这通常涉及定义搜索范围在NE的水平，可以从粗的水平是影响者。
搜索范围的不正确的选择导致更高的计算速度，精度低，或漂移的粗考生对正确renements。
在我们的技术的搜索范围的模型是从训练数据中学习的一部分。
我们的多目标检测系统的性能是通过从更容易检测和利用对象的配置限制其他的物体检测对象的进一步改进。
这一战略的困难是选择检测，整体性能达到最大化的顺序。
我们的检测计划是去签署了减少检测的不确定性。
使用相同的算法，我们也得到了最优调度的层次尺度。
我们的做法是出于序列估计技术[ 8 ]，经常应用到的视觉跟踪。
在跟踪，我们的目标是估计在时间t的对象的状态下（例如，位置和大小）使用观察Y0：T （视频帧中的对象的外观）。
计算需要的可能性的假设状态产生的观察和转换模型，描述状态之间的传播框架的方式。
由于在实际情况中可能导致顽固性推理模型，用Monte Carl o方法近似，也被称为粒子滤波，已广泛采用。
在每一个时间步t，估计涉及的建议分布采样（xtjx0：T1；y0：T）的当前状态下空调的状态X0史：T1到时间t 1和观测的历史y0：T到时间t。
我们还使用序贯Monte Carl o方法在多目标检测。
我们的样品从一个序列的概率分布，但序列物种的空间秩序而不是一个时间顺序（图2）。
后验分布的每个对象构成了（状态）是基于所有的观察到目前为止估计。
观察社区周围的物体从图像特征计算。
一个虚拟的国家可能产生的观测是基于确定性模型，通过使用一个大的注释的图像数据库。
德-文士的对象的姿势有关的方法是高斯过渡模型大多数的目标检测算法都集中在一个固定的目标姿态参数，在一个二进制类型sication系统[ 17测试，19 ]。
采用序贯山姆采样模型允许我们使用对象构成的样本较少的正式推广这类算法对多重的物体。
这节省了计算时间和增加交流由于样品从后验分布的概率高精度的区域。
从序贯抽样文献对视觉跟踪的许多想法可能扩展到多目标检测。
在4节中，我们将演示贝内的采样设计时，多个地标检测左心房的二维图像。
不像在跟踪，其中顺序自然是确定的时间发展顺序，多目标检测必须选择。
在我们的算法中，顺序是这样选择的，检测的不确定性最小化。
因此，而不是使用直接前体，在马尔可夫过程的过渡模式，可以基于任何前兆，这是最佳选择。
这导致了一个分层检测网络（HDN）3。
一个假设的姿态可能是使用一个受过训练的检测指标计算。
检测规模作为另一个参数的似然模型和分层调度是以同样的方式确定为空间计划。
本文的组织如下。
我们将在2节的背景概述。
在3节中提出了时序多目标检测算法。
一套4节中的实验验证了算法的有效性。
我们得出结论：本文5节。
2 背景对象是一组离散的测试和多目标检测算法[17]二进制分类器的物体存在，19 ]。
这些算法的不同，通常样本参数空间均匀的样品，我们从建议分布[ 14 ]，以高概率的区域。
这节省了计算时间少的样品需要增加密钥的鲁棒性的情况相比，在相同数量的样品将被均匀地。
多目标检测技术主要集中在模型共享的特点[ 16 ]或对象的部分[ 9 ]。
这种共享具有更强的模型，但在最近的文献中，一直有一个争论如何以有效的方式[ 7 ]对象上下文模型。
它已经表明，本地检测器可以通过使用对象的上下文[ 6，13的相互依存关系建模的改进，12 ]和[ 11 ]的语义信息。
在我们的抽样框架，这种相互依存关系是通过一个过渡分布模型，这种构成的一个对象到另一个对象的姿态的转变。
这样，我们利用在人体医学图像的先验信息，提出了强。
重要的问题是如何确定背景区域的大小（检测量表）和物体检测RST以最佳的方式。
多尺度算法通常指定一个固定的组的检测区域的预定参数表[ 1，9 ]。
选择自动缩放的优点由于对象具有不同的大小和上下文邻域的大小也不同。
我们提出了一个多尺度的调度算法，制定了以同样的方式作为检测顺序调度。
检测顺序被指定的最大信息增益的计算之前和之后的检测是测量[ 21 ]和最小的观测[ 1后验概率分布的熵]。
我们的调度准则是基于概率的状态（目标是）真实的区域内。
其他措施也可以使用在序贯抽样框架的灵活性。
3 序列蒙特卡罗状态（姿态）的建模对象T表示为并且多目标检测的序列为0：T = 。
在我们的例子中，表示位置P，R和方向，从图像邻域得到对象观察组，附近的Vt指定的边界框的坐标在一个d维图像V，。
的观察序列，记为。
这是由于POS可能确定图像邻域V0存在的先验知识；；观察VT与边际分布F（V）描述每个对象TT的出现并假设条件独立给定的状态和状态的动态关系，即对象构成，是一个初始分布模型（0）和过渡分布。
注意，这里我们不使用马尔可夫转移。
图 2 在多目标的检测，观察组是一个系列的图像补丁程序。
序列的物种的空间秩序而不是一个时间顺序。
后者通常是利用在跟踪应用程序。
多目标检测问题的解决，借助全面应用预测和更新步骤获得的后验分布。
预测步骤计算的概率密度的状态的对象使用的对象，状态1，和以前的观测点的所有对象t－1：当检测对象，观察VT是用来计算估计的更新步骤中：其中f（VT jv0：T1）是归一化常数。
这些表达式的看起来的那样的简单，一般没有解析解。
解决这个问题是通过来自贡献的权重样本，其中是状态在重量方面的实现。
在多数情况下，样本直接来自于时是非常不灵活的。
重要性采样的思想是引入一个建议分布，其包含了。
为了能够正确的[ 14 ]的样本权重，定义权重为：由于目前的状态不依赖于其他对象，然后观察：状态的计算为：替代（4）和（5）到（3），我们有在本文中，我们采用了之前的过渡作为建议分布。
因此，权重计算：在未来，我们计划设计更复杂的建议分布在多个对象之间的关系在检测杠杆。
当检测到每个对象，顺序采样产生的后验分布使用样品从预检测明显的对象如下：1．从建议分布得到M个样本，2．重新过磅每个样品根据重要性比:3.重采样粒子的重要性权重得到未加权逼近：3.1.观察和过度模式现在让我们定义一个随机变量，其中Y = + 1表示和Y = 1的对象不存在。
利用大功率的带注释的数据集，我们使用歧视性的分类器（例如PBT [ 17 ]）在观测模型：在跟踪中，往往是一个马尔可夫过程的转移核F假定，随着时间的前进。
然而，这是多目标检测的限制太多了。
最好的过渡内核可能来自于一个不同的直接前体物，根据解剖上下文。
在本文中，我们使用成对的依赖我们的模型作为一个高斯分布从训练数据估计。
我们将展示如何选择最佳的j下。
3.2.选择阶的检测不像视频，在观测中出现的自然反弹顺序的方式，在多目标检测的空间秩序必须选择。
我们的目标是选择的顺序，后验概率最大化。
因为确定此订单中的对象的数目的指数复杂度，我们采用贪婪的方法。
我们首先将训练数据分成两组。
使用第一组，我们培训对象检测器分别得到后验分布。
第二集用于顺序选择如下。
我们的目标是建立一个分层检测网络（HDN）的顺序选择。
如图3所示，HDN 是成对的，前馈神经网络。
需要注意的是，级联的HDN的特殊情况。
假设我们和有序的探测器上的。
我们的目标是增加网络的最佳配对（或前馈路径），最大限度地提高以下分[的期望值；（J）]在S和（j）从二训练集计算：其中期望值近似为所有第二训练数据集的例子的计算成本的样本均值。
图3 分层检测网络图（HDN）和顺序的选择。
看到文本的细节。
3.3.检测尺度选择许多以前的目标检测算法[ 17，19 ]使用一个单一的图像大小的街区FVIG。
通常情况下，这个尺寸和相应的检索步骤需要选择先验的NAL检测结果和计算速度[ 1 ]的平衡精度。
我们建议采用分层检测解决这个问题。
在检测过程中，更大的上下文对象是在粗糙的图像分辨率导致对噪声的鲁棒性，闭塞，和丢失的数据。
通过搜索在一个较小的邻域在NER分辨率达到较高的检测精度。
表示尺度参数为HDN，我们把尺度参数为使用顺序的选择以及一个额外的参数。
4 实验过程我们的实验是对左心房及胎儿三维超声图像的二维超声图像。
在这两种情况下，我们测试的自动检测顺序/规模的选择（3.2节）提供的分层检测定量评估（3.3节）。
4.1.样本策略在第一组实验中，我们检测了左心房的地标的左心房（LA）在心尖两腔心内膜壁（A2C）视图（图1）。
洛杉矶AP的出现是由于在成像过程中的噪声是在超声波探头的远端。
专家注释已经地标共417张图片。
图像的大小是120的120像素的平均。
三位置检测器进行训练独立美国281图片。
本试验的检测顺序是固定的：09！01！05（见图6的地标编号）。
我们测试的两个不同的采样策略在检测136看不见的图像内。
在第一个战略，我们获得的最重的样品数。
第二策略，我们获得了M = 2000的样品具有最强的重量和执行k-均值聚类得到的模态数。
每一个里程碑式的检测后，这些样品的传播到下一个阶段。