[ANGLÈS] In image segmentation, we are often interested in capturing certain characteristics of objects of interests, and perform the classification based on criteria such as mean intensity, gradient magnitude, and responses to certain predefined filter. Unfortunately, identifying the right set of features is often cumbersome or not feasible for complex structured objects. Therefore, representation learning became an increasingly popular topic of research. Dictionary learning is part of these class of approaches. It aims to reconstruct the object of interest by linearly combining a few entries of a learned dictionary by learning an over-complete dictionary enforcing sparsity on the model's coefficients. Although, dictionary learning itself is unsupervised, recently developed methods showed that it is possible to leverage supervised information during learning to facilitate learning discriminating dictionaries. Thus, it is possible to classify pixels belonging to one of several classes without the requirement of feature engineering. In a second step, the pixel-wise prediction can be further regularized using graphical models to obtain homogeneous regions. However, current approaches are only applicable to binary segmentation problems. The aim of this thesis is to use discriminative dictionary learning to segment an arbitrary number of objects.

[CASTELLÀ] Al segmentar imágenes, normalmente estamos interesados en capturar características de los objetos y llevar a cabo la clasificación basándonos en criterios como la intensidad media, la magnitud del gradiente o la respuesta a un filtro predeterminado. Por desgracia, identificar el conjunto correcto de características puede ser difícil para aquellos objetos con estructuras complejas. Por ello, “Representation Learning” se ha convertido en un tema muy importante en la investigación. “Dictionary Learning” es parte de esta clase de técnicas. Su propósito es reconstruir el objeto como la combinación lineal de un número reducido de entradas en un diccionario previamente entrenado. Pese a que “Dictionary Learning” es un algoritmo no supervisado, métodos desarrollados recientemente muestran que es posible tratar la información de una forma consistente con las diferentes etiquetas en el conjunto de señales. Por lo tanto, es posible clasificar pixeles que pertenecen a una clase sin tener que realizar un estudio exhaustivo del espacio de características del clasificador. Posteriormente, el resultado obtenido de la clasificación hecha por píxel puede ser regularizado utilizando Modelos Gráficos Indirectos. Por ello, el objetivo de esta tesis es extender los algoritmos desarrollados en este campo a aquellos problemas que no son binarios.

[CATALÀ[ A segmentació d’imatges, normalment estem interessats en capturar característiques dels objectes i dur a terme la classificació basant-nos en criteris com la intensitat mitja, la magnitut del gradient o la resposta a un filtre predeterminat. Malauradament, identificar el conjunt correcte de característiques pot ser difícil per aquells objectes amb esturctures complexes. Per aquest motiu, “Representation Learning” s’ha tornat un tema molt important en la recerca. “Dictionary Learning” és part d’aquest conjunt de tècniques. El seu propòsit es reconstruir l’objecte com la combinació lineal d’un nombre reduït d’entrades d’un diccionari previament entrenat Malgrat “Dictionary Learning” és un algoritme no supervisat, mètodes desenvolupats recentment mostren que és posible tractar l’informació d’una manera consistent amb les diferents etiquetes al conjunt de senyals. Per tant, és posible clasificar píxels que pertanyen a una clase sense haver de fer un estudi exhaustiu del espai de característiques del clasificador. Posteriorment, el resultat obtingut de la classificació feta per cada pixel pot ser regularitzat fent servir Models Gràfics Indirectes. Per aquest motiu, l’objectiu d’aquesta tesi és extendre els algoritmes desenvolupats en aquest camp en aquells problemas que no son binaris