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
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。
Nov, 2017
本文利用拓扑数据分析的工具,提出了一种通过预测模型估计人工标注结构的不确定性的方法,该方法可以提高结构图的准确度并减少标注时间。
Jun, 2023
提出了一个目标函数,其中结合了检测似然和先验条件,最小化中心线或表面的曲率,用于同时检测和描绘细结构,具有亚像素定位和实值方向估计。
Jun, 2015
该论文提出了一种将 2D 图像曲线组合成 3D 曲线集合,构建具有拓扑连接性的 3D 图形的方法,以实现对 3D 场景的结构化表示和重建。
Sep, 2016
本研究提出了一种新颖的基于深度学习的血管分割系统,将图卷积网络与统一的 CNN 结构相结合,可以应用于扩展任何类型的基于 CNN 的血管分割方法,实验证明该方法在两个视网膜图像数据集以及冠状动脉 X 射线血管造影数据集上性能优于当前的最先进方法。
Jun, 2018
该研究提出了一种基于图形的方法来处理医学影像中解剖拓扑的连续性和连通性问题,实验表明与传统方法相比,该方法在保持解剖形态连续性的同时,在连通性方面有显著的改进,而在分割度量方面表现更好或持平。
Apr, 2023
我们提出了一种使用基于大脑灵感的可训练 B-COSFIRE 滤波器的通用曲线结构检测器,可用于任何需要描绘曲线和细长结构的计算机视觉方法。通过在含有破裂路面的噪声图像数据集上达到最优效果,我们证明了这种方法的有效性(F-measure = 0.865)。
Jul, 2017
该研究提出了一种单一联合训练算法,能够有效地应用于语义图像分割任务,并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。
Mar, 2015
提出了一种名为 Path-CNN 的方法,该方法将卷积神经网络嵌入到渐进式最小路径方法中,用于检测管状结构中心线的分割,可以在更少的注释数据和低硬件要求下达到更好的性能。
Apr, 2022