Sep, 2017

基于结构化损失的深度学习进行大尺度图像分割，用于连接图重建

PDF
TL;DR文章提出了一种结合亲和预测和区域聚合的方法，通过 3D U-NET 训练预测像素之间的亲和性，从而显著提高电子显微镜（EM）中的神经元分割准确性和可扩展性，通过实验表明，该方法在三个不同 EM 数据集上的表现相对于之前的结果提高了 27％，15％和 250％。
neuron segmentationaffinity predictionregion agglomerationem datasetsstructured loss
发现论文，激发创造
  • SNEMI3D 连接组学挑战中的超人类准确度

    使用卷积神经网络进行电子显微成像脑图像的三维重建，通过参加 SNEMI3D 基准测试的结果表明，在预测体积质心之间的亲和力和长距离相互作用的辅助任务中采用的 3D U-Net 变体算法训练的模型可以超越 SNEMI3D 排行榜提供的人类精度估计。

    May, 2017

  • 通过膨胀亲和力改进语义分割

    该论文介绍了一种使用直接监督的简单、快速但有效方法来利用结构信息来提高语义分割模型的性能，该方法要求网络显式地预测语义分割以及扩张亲和力，后者是一种稀疏版本的成对像素亲和力，能够直接建立像素间的关系并增强分割质量。

    Jul, 2019

  • 深度亲和网络：通过亲和力进行实例分割

    本研究介绍了一种新的基于亲和力及图分割算法的实例分割方法，提出了 Deep Affinity Net 模型和 Cascade-GAEC 算法。实验结果表明，该方法在 Cityscapes val 和 test 数据集上分别取得了 32.4% 和 27.5% 的平均精度，且运行速度为同类亲和力方法中最快的，优于基于区域的方法 Mask R-CNN。

    Mar, 2020

  • 基于图像级别监督学习像素级语义相似性用于弱监督语义分割

    本文提出了一种用于弱监督下的图像标注的全新框架 ——AffinityNet。该框架通过训练一个深度神经网络，使其能够预测一对相邻图像坐标之间的语义亲和性，从而通过随机游走来实现语义的传播，以生成图像的分割标签。实验表明，使用我们的方法生成的分割标签训练的 DNN，甚至比其它依赖于更强监管的模型表现更为优秀。

    Mar, 2018

  • 基于深度神经网络的多发性硬化症病变和神经解剖分割

    本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

    Jan, 2019

  • 多模态亲和推断弱监督 3D 语义分割

    本文提出了一种简单而有效的基于场景级弱监督的点云分割方法，引入了多模态点亲和度推理模块，利用从多个模态（如点云和 RGB）得到的特征来特征化提出的点亲和度，并通过归一化分类器权重来减轻长尾分布的不利影响，无需事先知道类别分布的先验信息。通过在 ScanNet 和 S3DIS 基准测试上进行的大量实验证实了我们提出方法的有效性，其 mIoU 指标优于现有技术水平 4% 至 6%。

    Dec, 2023

  • 基于结构特征的神经元膜分割无监督域自适应

    本文提出了一种基于未标注领域自适应的方法来解决神经元膜片分割领域间差距的问题，通过设计了特征权重模块、结构特征的超分辨率方法和正交分解模块，改进了神经元膜片分割的性能，在两个应用领域中得到了有效结果。

    May, 2023

  • 学习多尺度一致性的自监督电子显微镜实例分割

    我们提出了一种新的预训练框架，利用多尺度视觉表示来捕捉电子显微镜（EM）体积中体例的像素级一致性和特征级一致性，并在特征金字塔上使用对比学习方案提取多尺度的具有区分性的特征，以实现神经元和线粒体体例分割任务的表现提升。

    Aug, 2023

  • 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

  • 一种上下文感知的电子显微镜分割延迟凝聚框架

    该论文提出了一种新颖的聚合框架用于电子显微镜图像（或体积）分割，即给定一个过分割的图像或体积，我们提出了一个新的框架来准确地聚类相同神经元的区域，并且在 2D，3D 数据集上，与现有标准方法相比，该方法在分割准确度上取得了显着的改进。

    Jun, 2014