本文综述了关于图像分割的研究,特别关注了基于深度学习模型的语义分割和实例分割方法,包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性,能力和挑战,并讨论了未来的研究方向。
Jan, 2020
本研究从分析角度探讨深度学习技术在图像分割领域的应用,以提升读者对各种图像分割方法内部机理的直观理解。
Jul, 2019
本文对基于深度学习的医学和非医学图像分割解决方案进行归类,并从六个主要类别 —— 深度架构、数据合成、损失函数、顺序模型、弱监督和多任务方法对其进行综合性评估。进一步地,对于每一组,我们分析了这些组合的每一个变种,并讨论了当前方法的局限性和未来研究方向。
Oct, 2019
本文提出了一种新型架构,用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战,即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明,在 PASCAL VOC 2012 基准测试中,本文方法取得了 74.0% 的平均 IU 准确率,优于当前最先进的语义分割模型。
Feb, 2016
该论文综述了应用于各种应用领域的基于深度学习技术的图像语义分割方法,描述了该领域的术语和必要的背景概念,并评估了现有方法的贡献和意义,并给出了相应的定量结果和讨论。
Apr, 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
通过自学习方法在合成到真实的领域适应问题设置中,开发了一个基于嵌入的自学习全景分割框架。
Nov, 2023
本文针对自主行驶场景下的语义分割问题进行了调研,从模型开发、RGB-D 数据集集成、时域信息模型三个方面讨论了目前最相关和最新的深度学习方法,旨在为读者提供关于这一激动人心和具有挑战性的研究领域的最新进展。
Mar, 2023
通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化,本论文应用于医学图像分割领域,实现了在手部和脑部 MRI 图像上的分割与验证。
Jan, 2017
本文研究使用单个卷积神经网络对不同成像模式下的医学图像进行分割的方法,实验结果表明这种方法在不同任务中具有相当的分割性能,证明了卷积神经网络结构的高容量性。因此,可以在医学实践中使用单个系统进行自动分割任务,而无需进行任务特定的训练。