ICCVMar, 2019

基于形状模型的分割算法报警系统

PDF
TL;DR本文通过学习不同数据集共享的先验形状信息构建了一个低维特征空间，然后使用 Variational Auto-Encoder（变分自编码器）来学习该特征空间，并将其用于无标签的分割结果质量评估，进而设计了一个报警系统来提供可靠的分割质量预测。
segmentationalarm systemshape informationvariational auto-encoderquality assessment
发现论文，激发创造
  • 带学习形状先验的半监督实例分割

    基于形状先验的半监督学习方法通过使用形状模型，只需要少量的实际或合成形状数据，从而实现与全面访问训练数据的监督方法相媲美的结果，并在三个数据集上优于预训练的有限领域特定训练数据的监督模型。

    Sep, 2023

  • 基于形状生成器和分类器的实例感知三维语义分割

    本文提出了一种新颖的面向实例的方法，用于 3D 语义分割，通过结合几个在实例级别监督的几何处理任务来促进学习到的特征表示的一致性，具体方法使用形状生成器和形状分类器来执行每个形状实例的形状重建和分类任务，从而使特征表示能够忠实地编码结构和局部形状信息，并意识到形状实例。在实验中，我们的方法在多个公共基准数据集（如 Waymo Open Dataset、SemanticKITTI 和 ScanNetV2）上明显优于现有的 3D 语义分割方法。

    Nov, 2023

  • 使用变分自编码器和单类支持向量机进行半监督结构损伤检测

    本篇论文提出了一种半监督方法，其中利用数据驱动方法的人工神经网络 (ANNs) 在未受损结构条件下训练以检测结构损伤，然后采用变分自动编码器 (VAE) 近似无损数据分布和单类支持向量机 (OC-SVM) 区分使用从 VAE 信号重建提取的损伤敏感特征的不同健康条件，该方法应用于 IASC-ASCE 结构健康监测任务组测试的一个规模钢结构中的九种损伤情况。

    Oct, 2022

  • 放射治疗深度学习分割模型实时监测的质量保证框架

    本文利用心脏亚结构分割任务为例，建立了一个深度学习模型质量保证框架，其中通过使用训练自动编码器（DAE）和两个手工设计的特征来开发图像域移位检测器，再利用提取的特征训练回归模型来预测患者关键数据的分割精度，并成功测试了该框架。

    May, 2023

  • 用概率 U-Net 对模糊图像进行分割

    通过使用结合了 U-Net 和条件变分自编码器的生成式分割模型，我们可以有效地产生无限数量的合理假设，以学习分割的分布，该模型可在肺部和城市街景分割任务中显着优于先前的方法，对于临床决策过程中存在的歧义问题，该模型能提供多种可能性的语义分割假设进行诊断并建议需要进一步的行动。

    Jun, 2018

  • PHiSeg：医学图像分割中的不确定性捕捉

    本文提出了一种基于层次概率模型和变分自编码器框架的新方法，用于建模给定输入图像的分割的条件概率分布，可以有效地解决解剖结构和病理分割中的歧义性问题，同时可以生成比以前的方法更真实和多样化的分割样本。

    Jun, 2019

  • 鉴别性哈密顿变分自编码器在数据稀缺情况下精准肿瘤分割

    通过提出基于 Hamiltonian 变分自动编码器（HVAE）和区别性正则化的新的端到端混合架构，我们的方法可以准确估计图像和蒙版的联合分布，从而生成具有较少伪影和离群实例的逼真医学图像。通过在丰富增强的数据集上以切片方式操作，我们的架构可以快速且准确地分割 3D 体积，在 BRATS（MRI 模态）和 HECKTOR（PET 模态）两个公开数据集上的实验证明了我们提出的方法在有限数据的不同医学成像模态上的有效性。

    Jun, 2024

  • 建模未标记数据的概率分布，用于一次性医学图像分割

    本文提出了一种数据增强方法，使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像，以帮助改进仅利用极少标记数据的医学影像分割性能，同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。

    Feb, 2021

  • 一种用于建模多尺度模糊的层次概率 U-Net

    提出一种用于鲜明可辨的多级细节分割的分割网络，Hierarchical Probabilistic U-Net，它采用基于条件变分自编码器的分层潜空间分解，可以在自动分离多个规模的独立因素的同时，学习跨规模的复杂结构分布，从而实现对医疗扫描的分割以及对神经生物学和自然图像实例分割的能力的提升。

    May, 2019

  • 基于点云联合分割的长方体形状抽象无监督学习

    本文提出了一种无监督形状抽象方法，将点云转换为紧凑的长方体表示，并以分割和长方体形状的联合预测为抽象任务，以自学习的方式加强分割和形状抽象之间的一致性，该方法不需要手动注释点云中的零件。本文通过几种形状集的评估，证明了该方法优于现有的形状抽象方法，支持结构形状生成、形状插值和结构形状聚类等各种应用。

    Jun, 2021