ECCVApr, 2018

多级激活用于层级嵌套类别的分割

PDF
TL;DR本研究提出一种新颖的方法，通过多层激活层和三种兼容的损失来编码基于拓扑学的先验信息，以解决生物图像分割任务中的问题，并在 2018 年的 Data Science Bowl 挑战中验证了该方法的效果，可以大幅提高分割的 Dice 分数。
biological image segmentationtopological knowledgecnn modelsmulti-level activation layernuclei segmentation
发现论文，激发创造
  • 数字癌症组织的多器官细胞核同时语义分割、实例分割和分类的自底向上三合一框架

    通过引入附加的解码器头部使用独立的加权损失函数，该研究提出了对数字组织学中核的同时实例分割和分类的多阶段方法，以在高质量实例分割和核分类方面取得了显著的性能改进，并且在 19 种类型的组织上具有广泛的适用性和较低的复杂性。

    Aug, 2023

  • 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

  • 医学图像分割的多尺度自引导注意力

    采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

    Jun, 2019

  • 利用激活进行超像素解释

    研究利用神经网络图像分类器的激活来提取显著性方法的分割，以改善物体定位性能并评估显著性方法的语义一致性。

    Jun, 2024

  • NCIS：基于深色渐变地图回归和三类像素分类的 Nissl 染色组织学图像强化神经元实例分割

    本文提出了一种基于深度学习的端到端框架，用于自动分割染有尼氏小体的脑组织组织切片中的单个神经元细胞，并测试在细胞实例分割方面的性能表现优于其他深度学习方法。

    Jun, 2023

  • 基于改进的全卷积神经网络和分层 Dice 损失的脑肿瘤分割

    本研究采用多种流行的 FCNN 模型，在其基础上进行网络结构调整并使用分层 Dice 损失函数来提高基于 MRI 图像的脑肿瘤分割效果。经过大量实验对比，验证了新型网络和损失函数相比于传统方法在精度、召回率、mIoU 和 DSC 等性能指标上的有效性。

    Dec, 2017

  • 使用多尺度卷积神经网络的深度学习方法进行脑肿瘤分类和分割

    本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型，包括多尺度方法。与以前的工作相比，我们的提案的一个区别是，输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的 MRI 图像：脑膜瘤、胶质瘤和垂体瘤，并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含 233 名患者 3064 张切片的公开可用的 MRI 图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中，我们的方法以 0.973 的肿瘤分类准确度明显高于使用相同数据库的其他方法。

    Feb, 2024

  • 重新思考用于分割的类激活图：通过降噪展示浅层语义信息

    我们提出了一个基于梯度的简单去噪方法，用于过滤噪声并生成高质量的类激活图，通过大量实验验证了该方法在弱监督语义分割任务中的有效性。

    Aug, 2023

  • 基于 DAG-CNN 的多尺度识别

    使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取，并在三个场景基准测试中展现了最新的最佳分类性能。

    May, 2015