Dieses Papier untersucht die Anwendbarkeit des Bat-Algorithmus (BA) und seiner Varianten als Optimierungsrahmen für verschiedene Bildsegmentierungsparadigmen. Anstatt ein neues Segmentierungsmodell einzuführen, bewertet die Studie systematisch, wie die auf BA basierende Optimierung die Segmentierungsleistung bei Graustufen-, Farb- und semantischen Segmentierungsaufgaben beeinflusst. Chaotische Karten und Inertialgewichtungsstrategien werden als Mechanismen erforscht, um das Explorations-Exploitation-Gleichgewicht von BA zu verbessern. Die Graustufenbildsegmentierung wird durch die Optimierung mehrstufiger Schwellenwerte unter Verwendung von Otsus Kriterium behandelt; die Farbsegmentierung wird als Clustering-Problem mit K-means-Initiierung formuliert; und die semantische Segmentierung wird durch Hyperparameteroptimierung eines konvolutionalen neuronalen Netzwerks angegangen. Experimentelle Ergebnisse zeigen, dass der inertialgewichtete BA die Qualität der Graustufen-Segmentierung konstant verbessert, während das Standard-K-means weiterhin wettbewerbsfähig bei der Farbsegmentierung bleibt. Bei der semantischen Segmentierung führt die Hyperparameteroptimierung auf Basis des BA zu stabilen Leistungen ohne manuelle Anpassung. Die Ergebnisse heben sowohl die Stärken als auch die Einschränkungen der auf BA basierenden Optimierung in der Bildsegmentierung hervor und zeigen, dass die Effektivität stark von der jeweiligen Aufgabe abhängt. Diese Studie bietet eine einheitliche experimentelle Perspektive auf BA-Varianten und liefert praktische Einblicke, wann und wie solche metaheuristischen Optimierungsstrategien in Bildsegmentierungsanwendungen von Vorteil sein können.
Livada et al. (Donnerstag) haben diese Frage untersucht.