基于注意力机制的编解码卷积神经网络用于眼部分割
本文介绍了一种新颖的多流网络,学习了强健的眼部表示形式以进行凝视估计,并使用模拟器创建了合成数据集来进行眼部区域分割,并进行自监督对比学习来为真实世界的眼部图像预训练编码器,最终通过多流框架从真实世界中提取显著特征以进行凝视估计,在两种不同的评估设置下展示了方法的性能,在 EYEDIAP 数据集上超越了所有已有的基准,并进行了额外实验以验证自监督网络对于不同数量的标记数据的鲁棒性。
Dec, 2021
本文提出了一种多类眼部分割方法,包括三个主要阶段:通过深度网络从输入获取灰度图像、分割三个不同的眼部区域,并通过启发式过滤器去除不正确的区域,使用 depthwise 卷积操作减少计算成本,实验表明该方法可以在实时推理下实现高水平的性能。
Nov, 2019
这篇论文介绍了一种用于诊断青光眼的联合 OC 和 OD 分割的 EDDense-Net 分割网络,该网络在图像中获取和传递空间信息的同时降低了网络的复杂性,并通过使用适当数量的滤波器减少了空间信息的损失,通过评估现有公开数据集上的表现,证明了该方法在准确性和效率方面优于现有的最先进方法。该方法可作为辅助医疗眼科医生的第二意见系统,用于青光眼的诊断和分析。
Aug, 2023
该研究提出了一种深度神经网络 RITnet 模型,实现了精确的眼睛分割,可以运行在实时的环境下,可以帮助实现基于视觉关注的交互计算和目光追踪应用。
Oct, 2019
本文对快速光照变化、瞳孔遮挡、非中心和偏轴眼睛记录以及生理学眼睛特征等复杂情况下的自动瞳孔检测进行了研究,提出了基于双卷积神经网络的方法,能够提高瞳孔检测的准确率。
Jan, 2016
本文介绍了一个大规模的眼镜数据集 OpenEDS,该数据集利用虚拟现实(VR)头戴式显示器捕获图像,其中包括 152 名参与者的眼部区域,该数据集可用于眼动跟踪研究和机器学习领域的语义分割任务。
Apr, 2019
该论文提出了一种基于卷积神经网络的方法,通过提取多尺度的高级视觉特征和上下文信息,结合全局场景信息,用于准确预测视觉显著性,可以适用于资源受限的应用,如(虚拟)机器人系统,从而在多个基准测试数据集上取得了有竞争力和一致的结果。
Feb, 2019
本文提出了一种上下文编码网络(CE-Net),用于 2D 医学图像分割,其中包含特征编码器模块、上下文提取器和特征解码器模块,使用预训练的 ResNet 块作为特征提取器,并应用于不同的 2D 医学图像分割任务中,结果表明,所提出的方法在不同医学图像分割任务中性能优于原始 U-Net 方法和其他最新方法。
Mar, 2019
使用降维技术衡量目标眼睛图像和合成训练数据之间的重叠,并修剪训练数据集以最大化分布重叠,从而解决模拟和实际数据样本之间的差异,从而实现鲁棒的、改善的性能。
Mar, 2024
利用深度学习技术,提出了一种名为 FES-Net 的新型特征增强分割网络,用于准确地分割视网膜血管,无需额外的图像增强步骤,并在多个公开数据集上验证了其卓越的性能。
Sep, 2023