AAAIMar, 2023

基于传输引导的贝叶斯生成模型用于烟雾分割

PDF
TL;DR使用贝叶斯生成模型同时估算模型参数和预测来提高烟雾分割的准确性，在像素距离和透射特征基础上设计了传输引导局部相干损失以学习像素之间的关系，提供了一个高质量的数据集 SMOKE5K，实验结果表明我们的模型实现了准确的预测和可靠的不确定性映射。
smoke segmentationdeep neural networksbayesian generative modelimage dehazingsmoke5k
发现论文，激发创造
  • 深烟雾分割

    本研究提出了一种深度烟雾分割网络，通过使用全卷积网络（FCN）、编码器 - 解码器 FCN、融合添加卷积激活层等多种技术手段，可以高效、准确的从模糊的烟雾图像中分割出高质量的 MASK，实现了对烟雾进行精确定位及检测。

    Sep, 2018

  • Bayesian SegNet：用于场景理解的深度卷积编码器 - 解码器结构的模型不确定性

    提出一种用于概率像素级语义分割的深度学习框架 ——Bayesian SegNet，可以在测试时间执行带有丢弃的蒙特卡罗采样，以生成像素类标签的后验分布，从而改善小数据集的语义分割性能，提高 2-3% 的性能。

    Nov, 2015

  • 用概率 U-Net 对模糊图像进行分割

    通过使用结合了 U-Net 和条件变分自编码器的生成式分割模型，我们可以有效地产生无限数量的合理假设，以学习分割的分布，该模型可在肺部和城市街景分割任务中显着优于先前的方法，对于临床决策过程中存在的歧义问题，该模型能提供多种可能性的语义分割假设进行诊断并建议需要进一步的行动。

    Jun, 2018

  • 多光谱 LandSat 图像中烟雾分割的 Transformer 增强 UNet

    提出了一种名为 VTrUNet 的新分割模型，通过红、绿、蓝、近红外和两个短波红外波段的图像为输入，捕捉光谱模式和长距离上下文特征，用于检测各种复杂背景下的烟雾。与其他相关模型相比，该模型在烟雾分割中表现最佳，并在预测性能上取得了显著改进。

    Jun, 2024

  • 掩蔽 Gamma-SSL：通过掩蔽图像建模学习不确定性估计

    该研究提出了一种语义分割网络，能够在单次前向传递中生成高质量的不确定性估计。通过基于掩膜图像建模（MIM）方法，我们利用基础模型和无标签数据的通用表示来解决增强超参数问题，使得方法更简洁。为了解决在安全关键应用中因训练数据中的偏差而导致的错误问题，我们在多个测试领域上对该方法进行了测试，并且在包括城市、乡村和越野驾驶领域的 SAX 分割基准数据集上，该方法始终优于不确定性估计和超出分布技术。

    Feb, 2024

  • 随机分割网络：建模空间相关的不确定性

    本文提出随机分割网络（SSNs），是一种机率方法，针对任何图像分割网络架构实现建模不确定性。SSNs 通过对数 it 空间中的低秩多元正态分布对标签地图的概率进行建模，以生成一个空间一致的概率分布。在医学数据分割中，SSNs 表现出更好的表现.

    Jun, 2020

  • 深度生成模型的贝叶斯图像重建

    本文介绍一种名为 BRGM 的方法，该方法使用先前训练好的生成模型和贝叶斯定理来解决不同的图像恢复任务，如超分辨率和图像修复，而无需重新训练模型，可以在多个数据集上实现优秀的性能。

    Dec, 2020

  • 基于概率的深度学习实例分割

    本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

    Aug, 2020

  • 医学图像分割网络的层次化不确定性估计

    建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

    Aug, 2023

  • DiffSeg：一种基于扩散差异的皮肤病变分割模型

    DiffSeg 基于扩散差异原理，利用扩散模型从具有多样的语义信息的图像中提取基于噪声的特征，识别出疾病区域，同时通过模拟医生的注释行为，可视化分割结果的一致性和模糊性，并使用广义能量距离（GED）量化输出不确定性，帮助医生解释和决策。最后，通过密集条件随机场（DenseCRF）算法整合输出，考虑像素之间的相关性，改善准确度并优化分割结果。我们在 ISIC 2018 Challenge 数据集中展示了 DiffSeg 的有效性，优于现有基于 U-Net 的方法。

    Apr, 2024