ICCVMar, 2017

多阶段多递归输入全卷积网络用于神经元边界检测

PDF
TL;DR本文提出了多阶段多递归输入的完全卷积网络通过学习低阶段的不同感受野大小的多个侧面输出，为后续学习提供多尺度的上下文边界信息，以解决电子显微镜图像分割的挑战问题，结果在两个公共可用的 EM 分割数据集上取得了有希望的结果。
connectomicsneuronal boundary detectionelectron microscopyfully convolutional networksem segmentation datasets
发现论文，激发创造
  • 递归训练 2D-3D 卷积网络用于神经元边界检测

    该研究提出了一种深度网络和递归训练的算法，用于从显微镜图像中自动重建神经元之间的连接。

    Aug, 2015

  • FusionNet: 一种用于连接组学中图像分割的深度完全残差卷积神经网络

    本研究介绍了一种基于深度学习的新型神经网络结构 FusionNet，用于自动分割连接组学数据中的神经元结构，并表明其在电子显微镜 (EM) 图像分割方面具有优异的性能。

    Dec, 2016

  • 学习大规模神经元追踪的多模态体数据特征

    通过构建 FlyTracing 数据集和引入连接感知对比学习方法，本研究旨在降低人工工作量，减少电子显微镜数据中自动图像分割后的人工校对过程，并提出了一种有效的自动神经追踪方法。

    Jan, 2024

  • 边界神经场的语义分割

    本文介绍了一种基于 Boundary Neural Field (BNF) 的全局能量模型，该模型将 FCN 预测与边界提示相结合，以提高数据集的语义分段一致性和物体定位。实验证明，这种基于边界的全局优化方法在定量和定性方面均比现有方法更优越。

    Nov, 2015

  • 大规模电子显微镜成像神经元过程的自动重建

    自动样品制备和电子显微镜使得大规模图像数据采集成为可能，基于此，本文提出了一种 pipeline 系统，通过结合随机森林分类和条件随机场框架，能够完成大规模电子显微镜数据的分割和自动化标注，从而实现了大规模 3D 神经元的重建和可视化。

    Mar, 2013

  • 边缘分类：边界检测改善语义图像分割

    通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。

    Dec, 2016

  • 多尺度全卷积神经网络用于组织病理学图像分割：从核异常到全局组织结构

    该论文介绍了一种基于多种尺度的深度神经网络，用于组织病理学的诊断。实验表明，该神经网络能够在低计算成本下提高模型的性能，并有望广泛应用于组织病理学的深度诊断中。

    Sep, 2019

  • Micro-Net: 一种用于显微镜图像中多种物体分割的统一模型

    本文基于 CNN 的深度学习结构，针对显微镜图像中的目标分割和结构定位问题进行了研究，经过多重分辨率训练和中间层连接优化，通过多分辨率反卷积滤波器生成输出，在公开数据集上取得了优异的成果。

    Apr, 2018

  • Flood-Filling 网络

    本研究提出了一种统一的端到端可训练的机器学习方法，即基于泛洪填充网络的图像分割，能够处理大小不一、数量不定的图像分割任务，并在连接组学重建等任务中取得了极高的准确率，可用于替代复杂的多步分割流程。

    Nov, 2016

  • 具有本地拓扑约束的高效二维神经元边界分割

    本文提出了一种基于随机森林分类器和卷积神经网络的分割方法，采用整数线性规划强制实现连续的细胞膜分割，成功避免了传统方法中的模糊细胞内部混合现象，同时降低了拓扑错误。

    Feb, 2020