DevelSet:基于深度神经水平集的即时掩模优化
这篇论文提出了一种劳动效率高且粗略标注框架,通过使用级数集来获得仅需一次粗略点击即可得到高质量伪掩码,解决了因小目标尺寸和过度正则化导致的零水平轮廓消失的问题,实验表明该方法在 NUAA-SIRST 和 IRSTD-1k 数据集上具有优异的性能。
Oct, 2023
本文提出一种新的图像分割方法,该方法将全卷积神经网络 (FCN) 与水平集模型相结合。相较于单独使用 FCN,该集成方法可以结合平滑和先验信息来实现准确的分割。此外,该模型将水平集模型与训练相集成,从而可以在半监督模式下使用未标记的数据进行训练。本文使用两种医学成像数据(肝 CT 和左腔室 MRI 数据)证明了该集成方法在很少的训练数据可用的情况下也能够取得良好的性能,优于单独使用 FCN 或水平集模型。
May, 2017
介绍了一种将现有的深度学习模型和变分分割方法结合的方法,该方法利用深度特征和能量函数优化得到高精度的实例分割掩码,适用于机器人操作和自动驾驶等各种现代应用。
Jul, 2020
通过引入一种变分形状推理方法以及一种新的几何损失函数,我们提出了一种端到端的可训练模型,可以直接预测任意拓扑的隐式表面表示,并演示了该模型在 3D 表面预测任务中的准确性和灵活性。
Jan, 2019
该研究提出了一种新的单次盒监督实例分割方法,该方法将经典的水平集模型与深度神经网络结合到一起,提出了一种连续的 Chan-Vese 能量功能,采用简单的盒标注来学习一系列水平集,通过盒投影功能来获得初始边界,并在相应的边界框注释内逐步优化每个实例的水平集。实验结果表明该方法在各种情况下实现了鲁棒的实例分割效果。
Jul, 2022
通过将 CPU 数据结构替换为 GPU 并行矩阵运算,提出了一种用于解决多重图案刻蚀技术中面向确切覆盖的布局分解算法的加速方案,实验结果表明,该系统能够实现全尺寸、超快速的布局分解,并且与现有的布局分解方法相比,可以实现超过 10 倍的速度提升而不降低质量。
Mar, 2023
该论文提出了一种基于神经网络的隐式表面的参数化方法,利用能量最小化问题和水平集理论,实现对隐式表面的形变和后处理操作,这种方法优于已有方法在表面平滑、均值曲率流等方面的表现。
Apr, 2022