限资源分割的循环 U-Net
本文介绍了一种基于 U-Net 的循环卷积神经网络(RCNN)基础上的模型 RU-Net 和基于 U-Net 的循环残差卷积神经网络(RRCNN)基础上的模型 R2U-Net。这些模型在医学图像分割任务中表现出优异的性能,比 U-Net 和 ResU-Net 等等同网络参数的模型表现更好。
Feb, 2018
该研究提出了一种基于数据增强的网络和训练策略,用于更有效地利用可用的标注样本,以实现对神经结构的分割和细胞跟踪。研究表明,这种网络可以从极少量的图像中进行端对端的训练,并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果,且速度快。
May, 2015
本文提出了一种递归神经网络用于语义图像分割,该网络可在各种计算预算的范围内部署,并可用于有效地分割静态图像和视频。该方法通过利用先前帧的分割来进行视频分割,在降低计算成本的同时保持了分割质量。
Nov, 2017
该研究提出了一种基于卷积神经网络 (CNN) 本地通用特征和循环神经网络 (RNN) 为距离依存性检索提供了能力的结构预测框架,称为 ReSeg,旨在解决更具挑战性的语义分割任务并兼顾效率、灵活性和适用性,通过在多个数据集上的评估显示出了最先进的性能优势。
Nov, 2015
在 3D 卷积神经网络分割方面,一种部分可逆的 U-Net 架构通过减小内存消耗实现了深度增强并提高了分割准确性,在 BraTS 挑战数据集上展示出了很大的内存节省。
Jun, 2019
本文提出了基于卷积门控循环单元网络的在线视频分割方法,利用滑动窗口对时间数据进行处理,并在变化检测数据集上进行实验,相比于常规的全卷积神经网络有 5.5% 的性能提升。
Jun, 2016
本文介绍 nnU-Net 作为一个基于 2D 和 3D vanilla U-Nets 的稳健自适应框架,用于医学影像分割任务,其中 nnU-Net 取得了医学影像分割竞赛中最高的平均骰子系数得分。
Sep, 2018
本文提出了一种基于全卷积神经网络和门控循环体系结构的循环全卷积网络,利用视频中的时间信息进行在线语义分割, 大幅提高了分割的准确性,可以在二进制和语义视频分割任务中应用。
Nov, 2016
本文提出了一种基于 light-weight general purpose architecture、light-weight upsampling 以及融合多重分辨率的特征来扩大接受域的语义分割方法,在多个数据集上获得显着的优越性能和较高的 MIoU 和帧率。
Mar, 2019