AAAINov, 2017

基于 CNN 的深度图曲线 - 结构分割及其在文物探索中的应用

PDF
TL;DR本研究使用卷积神经网络来对文化遗产上雕刻或刻画成非常模糊的曲线结构进行自动分割，并通过实验证明了该算法在区分混杂曲线时的表现更为优秀。
curve structuressupervised learningconvolutional neural networksegmentationcultural heritage
发现论文，激发创造
  • 曲线结构的联合分割和路径分类

    本文研究了识别图像中曲线结构的问题，提出了一种基于深度网络的方法，同时执行分割和路径分类这两个任务，以实现整个处理流程的连贯性，并在道路和神经元数据集上应用该方法。

    May, 2019

  • 基于投影卷积神经网络的 3D 形状分割

    该论文提出了一种用于将 3D 物体分割成标记语义部件的深度架构。该架构结合了基于图像的完全卷积网络和基于表面的条件随机场，以产生 3D 形状的连贯分割。通过特殊的投影层，图像 FCN 输出 被有效聚合在多个视图和比例上，然后投影到 3D 物体表面上。最后，基于表面的 CRF 将投影输出与几何一致性线索结合起来，以产生连贯的分割。整个架构（多视图 FCN 和 CRF）可以端对端地训练。该方法在当前最大的分割基准（ShapeNet）中明显优于现有的最先进方法。最后，我们展示了从消费级深度相机获取的嘈杂 3D 形状有着可喜的分割结果。

    Dec, 2016

  • 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

  • 深度结构主动轮廓端到端的学习

    该研究提出了一种利用建筑物的几何特性来提高自动化建筑物分割模型准确性的方法，结合了主动轮廓模型和卷积神经网络，形成了一种可以端到端训练的结构化输出模型，达到了比现有技术更好的分割效果。

    Mar, 2018

  • DeepBranchTracer: 使用多特征学习的曲线结构重建的通用方法

    通过提取内外部几何特征，DeepBranchTracer 方法实现了对含有复杂拓扑和模糊图像证据的曲线结构的重建，具有优越的准确性和连续性。

    Feb, 2024

  • 使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

    本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

    Oct, 2017

  • SANet：面向结构感知的视觉跟踪网络

    使用递归神经网络结合卷积神经网络提取物体自身结构信息来增强视觉追踪系统对于相似干扰的鲁棒性。在 OTB100、TC-128 和 VOT2015 三个基准测试集上不仅表现优异，且代码已经公开发布。

    Nov, 2016

  • 使用 3D-CNN 学习和可视化本地几何特征：应用于钻孔可制造性分析

    本文提出了一种基于 3D Convolutional Neural Networks 和 Gradient-weighted Class Activation Mapping 的方法，能够解释 3D-CNN 的决策过程，并能够识别在对象内部感兴趣的本地特征，该框架可以扩展到多个空间尺度，为实时的制造可行性决策支持系统提供支持。

    Nov, 2017

  • DeepIGeoS：一种深度交互测地框架用于医学图像分割

    本文提出了一种深度学习交互分割方法，通过将用户交互与 CNN 结合，使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性，并将用户交互作为硬约束集成到反向传播式 CRF 中，以实现在更高的精度下减少用户干预的目的。实验结果表明，与传统的交互式方法相比，该方法在自动 CNN 分割的基础上实现了大幅提升，并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。

    Jul, 2017

  • 基于形状全卷积网络的 3D 形状分割

    本文提出一种新的形状全卷积网络 (Shape Fully Convolutional Networks，SFCN) 架构，用于三维形状的分割，该架构基于图形卷积和池化操作。同时，基于 SFCN 架构，还提出了一种新的形状分割方法，并采用基于特征投票的多标签图割算法来优化 SFCN 预测得到的分割结果。实验结果表明，我们的方法在学习和预测相似或不同特征的混合形状数据集方面表现出很好的效果。

    Feb, 2017