通过使用强度感知距离图和边界损失,本研究在点标注的语义分割中探讨了强度感知距离图与边界损失的组合。结果表明,这种监督策略具有巨大潜力,并在实验中取得了令人鼓舞的初步结果。
Nov, 2023
基于轮廓空间的边界损失可弥补高度不平衡问题,结合标准区域损失,实现 N 维分割的深度网络架构,显著提高训练稳定性。
Dec, 2018
通过使用一种新的可微分度量替代传统分割损失函数,我们提出了一种新的分割边界检测方法,该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界,并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证,最终的结果表明,该方法提高了 IoU 分数,优于基线方法。
May, 2019
该论文提出了一种结合深度、基于 patch 的表示和主动轮廓框架进行交互式边界提取的方法。作者使用了类别特定的卷积神经网络来训练向量预测器,以便指向感兴趣物体边界最接近的点,并使用 Sobolev 主动轮廓框架来演化轮廓。该方法在计算资源的使用方面非常高效,适合小型图形卡的使用,并在多个医学数据集和 PASCAL VOC 2012 数据集上进行了评估。
Jul, 2016
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
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
该论文提出了一个基于难度感知的主动学习网络(DEAL),通过引入像素级概率注意力模块和两个获取函数来学习不同语义区域的难度得分,并在语义分割基准测试中取得了最新的主动学习性能,并特别提高了难语义区域的性能。
Oct, 2020
本文提出了一种简单而有效的可调节语义分割方法(SlimSeg),该方法可以根据所期望的准确度和效率平衡在不同容量下进行推理,并通过阶梯式向下蒸馏的参数化通道精简来进行训练,并引入了边界引导的语义分割损失来改进每个子模型的性能,在 Cityscapes 和 CamVid 等语义分割基准测试中展示了我们提出的 SlimSeg 在各种主流网络上的灵活性能和比独立模型更好的性能。
Jul, 2022
该论文提出了一种新的语义分割主动学习方法,通过新的注释查询设计获取信息丰富的局部图像区域,使用多类别标注策略进行训练,解决了类别不确定性问题,最终在 Cityscapes 和 PASCAL VOC 2012 数据集上取得了优越的性能并降低了注释成本。
Sep, 2023
本文提出了一种新的网络层和损失函数,用于退化标注数据并从中学习到尖锐、精确的语义边界,通过实验证明相较于已有方法,其能够显著地改善语义边界检测效果并提高粗分割标签的效率。
Apr, 2019