Aug, 2019

基于热图回归CNN的空间配置集成用于地标定位

HTML
PDF
TL;DR本研究中，我们提出了一种卷积神经网络（CNN）结构，通过学习将解剖学标志物定位任务分解为两个更简单的子问题，企图减少大型训练数据集的需求。我们的完全卷积空间配置网络（SpatialConfiguration-Net，SCN）专门将一个组件分配给局部精确但模棱两可的候选预测，而另一个组件通过包括标志物的空间位置信息来提高对歧义的鲁棒性。在实验评估中，我们展示了提出的SCN在受限大小数据集上在标志物定位误差方面优于相关方法。
发现论文，激发创造
  • 使用带干支网络的全卷积网络进行非约束性面部关键点定位

    本文介绍了一种基于BB-FCN神经网络的人脸关键点定位方法，能够在未经分割的复杂背景下快速准确地定位关键点，模型在面部区域已知或“野外”场景下均表现出卓越的性能。

    Jul, 2015

  • 深度变形网络用于物体的关键点定位

    本文提出了一种新型的级联框架——深度变形网络（DDN），用于定位非刚性物体中的标志物。DDN能够在卷积神经网络（CNN）框架中融合几何约束，同时具有训练的简易和效率以及应用的广泛性。

    May, 2016

  • 用于白质高信号区分割的位置敏感深度卷积神经网络

    本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中，以将解剖结构位置信息与医学图像分析相整合，提高自动分割的准确性，实验结果表明，加入位置信息的网络与手工特征或不加入位置信息的网络相比较，取得了更好的结果。

    Oct, 2016

  • 利用半监督学习改进地标定位

    本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务，利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法，通过模型预测图片上的等变地标来提高地标定位，本文在两个玩具数据集和四个实际数据集上进行实验，包括手和脸部， 并在只有5％标记图像的条件下，跑过了之前在AFLW数据集上的最新state-of-the-art算法。

    Sep, 2017

  • 一种用于非约束性2D人脸对齐的树突卷积神经网络中解离3D姿势的方法

    本文提出了一种名为 PCD-CNN 的单一树突 CNN，使用分类网络和模块化分类网络训练，并通过贝叶斯公式显式解缠图像姿态与面部肢解点。经过广泛实验表明，本论文的方法能够通过姿态编码减少错误率，优于目前极具挑战性数据集的最先进方法（如AFLW，AFW，COFW和IBUG）15％的误差。

    Feb, 2018

  • 像素内像素网络：实现野外高效的面部特征点检测

    本文提出了 Pixel-in-Pixel Net（PIPNet） 对面部关键点检测的改进方法，旨在解决热图回归模型在计算效率、全局模型约束和域差异等方面的问题。实验表明，该模型在三个受监督学习的基准测试中均具有最先进的表现，而在两个跨领域测试集上的结果也得到了明显改善。同时，PIPNet的轻量级版本在CPU和GPU上分别以35.7和200 FPS的速度运行，仍然保持了与最先进方法的竞争精度。

    Mar, 2020

  • 基于拓扑自适应深度图学习的结构化地标检测

    本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学（如手、骨盆）标志物检测，该方法结合了局部图像特征和全局形状特征，基于两个图卷积网络（GCNs）学习任务特定的结构。该方法在公共人脸图像数据集和X射线医学数据集上的实验结果表明，在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。

    Apr, 2020

  • 面部特征点定位的亚像素热图回归

    本文提出了一种新的基于连续分布的热图编码与解码方法以及引入Siamese-based训练策略，显著提高了面部特征定位的准确度，并在多个数据集上取得了新的最先进结果。

    Nov, 2021

  • 具有位置和样本感知中央损失的协调转换器用于解剖标志物检测

    提出了一种基于位置感知和样本感知的集中损失函数和Transformer模型，用于解决热图检测的分布和全局空间结构问题，并得到了在三个挑战性的任务上表现优于当前最先进的方法的实验结果。

    May, 2023

  • 领域内数据对于X射线图像中的地标检测在迁移学习中是否有益？

    深度学习在医学影像分析方面具有潜力，但在这个应用领域中，大规模的公开数据集和标注可用性受到限制。本文通过一个系统研究来分析，在小规模领域内x光影像数据集的使用是否能够在地标检测方面相较于仅在大规模自然图像数据集上预训练模型时提供任何改进。我们的研究结果表明，在医学影像中使用领域内数据集相对于ImageNet领域外预训练模型来说，带来的改进微乎其微或没有。当没有大规模标注数据集可用时，我们的发现可以为开发稳健的医学影像地标检测系统提供指导。

    Mar, 2024