遥感图像语义分割的边界损失
通过结合语义分割和语义感知边缘检测,将类边界显式地融入模型,有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题,从而显著地提高了基于卷积神经网络的语义分割准确度,该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。
Dec, 2016
本文提出了一种利用卫星图像进行农田边界提取的深度学习方法,将该问题转化为多任务语义分割问题,综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签,从而实现准确、可扩展的农田边界提取,该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。
Oct, 2019
本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域,经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征,有望用于提取形态学生物标志物,并得出定量评估指标。
Aug, 2019
本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战,提出了一种新的级联多任务损失来保留语义分割边界。结果表明,不需要额外的后处理步骤,我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3%。
Sep, 2017
研究使用 CNN 进行语义分割时由于输出分辨率较低而损失空间细节的问题,采用基于 level set 理论的新型 loss function:level set loss,将 level set 函数转化为类别概率图,通过加权求和与 cross-entropy loss 进行联合优化,提高了分割结果的空间细节。对比先前的方法取得更好的性能。
Oct, 2019
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
本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法,包括归一化和可微聚类函数,解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法,同时保持高效性和准确性。经过在多个数据集上的测试,得出了该方法的有效性。
Jul, 2020