学习交互式分割系统
本研究提出一种基于迭代式训练策略的交互式对象分割系统,利用用户输入的 clicks 作为卷积网络的输入,相较于现有的启发式 click 采样策略,本方法取得了更优的分割结果。
May, 2018
本研究提出了一种利用自我监督方式以及与环境互动的方法,建立一个学习将视觉观察分割成不同对象的主动代理。通过对 50,000 次以上与物体交互的学习,该代理的分割模型能够推广到新的物体和背景,并通过提供视频、代码以及与机器人的互动数据集来测试所学分割模型的效用。
Jun, 2018
本文提出了一种新的交互式架构和训练方案,旨在更好地利用用户工作流,并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进,该网络达到了最先进性能。
Mar, 2020
本文提出了一种基于半自动学习的合作分割方法,结合了完全卷积神经网络和活动用户模型进行训练,在医学图像处理领域有很大应用价值,并通过交互方式不断优化分割效果。
Sep, 2017
本文提出了一种基于用户纠错信息的 object segmentation 方法,使用卷积神经网络进行模型训练,并实现了在测试时动态更新模型参数以适应数据的特点,从而在 8 个不同数据集上得到了较为优异的实验结果。
Nov, 2019
本文介绍一种基于人工交互的视频对象分割方法,使用深度学习技术进行交互式图像分割,并应用于视频对象分割中。在 GrabCut 数据集上,我们的方法以仅需 3.8 次点击的平均值获得 90%的 IOU,与当前最先进的方法相比,具有更高的准确性。此外,我们研究了用户的使用模式和提供的纠正类型等,为进一步改进交互式视频分割提供重要的见解。
Dec, 2017
基于深度学习的医学图像自动分割系统面临大量数据标注成本和模型迭代中的高延迟问题,本研究提出了一种动态交互学习框架,通过将交互式分割与端到端弱监督学习和流式任务集成,解决了这些挑战。我们开发了新颖的重放和标签平滑方案,克服了灾难性遗忘并提高了在线学习的鲁棒性,并在每个图像上同时优化前端预测和深度学习分段器的多轮交互式分割模块。通过空间残差图,我们训练的分段器明确地指导下一步的用户干预,从而实现了弱监督信号的蒸馏。通过在三维分割任务(NCI-ISBI2013 和 BraTS2015)上的评估,我们的框架生成了与离线训练基准相匹配的在线学习性能。此外,我们的框架减少了 62% 的标注工作量,并且在与具有完整 ground truth 的在线和离线学习进行对比时,生成了具有竞争力的 dice 分数。此外,由于其灵活性和响应能力,这样的框架可以部署在保证数据安全和简便维护的医院防火墙之后。
Dec, 2023
本文提出了一种利用卷积神经网络进行互动分割编辑的独特训练策略,并通过与现有算法的比较表明其具有卓越的性能,且不仅限于二元分割,可用于形态测量以及效率的提升。
Jul, 2018
提出了一种基于人机交互的教师 - 学生学习范例来教授机器人关于其周围环境的视频对象分割任务,同时介绍了一种精心设计的包含不同对象、变换及操作任务的数据集。最终实验结果显示该方法的效果优于现有的最优算法,并且在 mIoU 指标上比基准效果提高了 46.1% 和 25.9%。
Oct, 2018
本文提出了一种基于深度学习的机器人物体分割方法,通过解决两个子问题:机械臂与物体与背景的分割和物体与机械臂的分割,实现了无需人工标注数据即可训练网络的自我识别能力,实验证明该方法优于现有最优的自适应手持物体分割算法,并通过测试数据表明使用包含手持物体的自动标注图像的训练集可以提高物体在环境中的分割性能。
Apr, 2019