本文提出一种使用深度神经网络的方法，对数字图像中的对象进行自动计数和定位，相对于现有方法，其平均误差率有 20% 的相对改进。

Mar, 2017

本研究使用卷积神经网络来对文化遗产上雕刻或刻画成非常模糊的曲线结构进行自动分割，并通过实验证明了该算法在区分混杂曲线时的表现更为优秀。

Nov, 2017

本文提出了一种基于分割思想的无需训练数据的物体计数方法，该方法避免了传统依赖昂贵标注数据的物体计数问题，所提出的先验引导掩码产生方法为计数精度提供了帮助，同时还可以应用于任意形状物体的计数.

Jun, 2023

本文提出了一种基于范例的分割模型，用于对多类图像进行对象计数，解决了当前多类对象计数模型的主要问题，并介绍了两个新的测试基准，在这些基准上，我们的方法显示出了显着的优势。

Jul, 2023

使用卷积循环神经网络，从木材的外形预测内部缺陷的位置，以实现便宜设备（如激光测量工具）的有效测量和诊断。

Aug, 2023

基于检测的PseCo框架将SAM和CLIP结合起来，实现了对少样本和零样本的准确目标计数，通过点定位、分割和计数等步骤解决了效率和小物体区分等难题。

Nov, 2023

不需要训练的前提下，本研究提出了一种直接的解决方案，通过利用预先存在的基础模型进行实例级分割，通过四项关键技术的结合，实现了性能的显著提升，与基于训练的方法相媲美。

Mar, 2024

利用深度学习方法可以提高去皮效率，增强木制品质量。本研究提出了一种用于去皮过程中的木板分割的基准数据集WPS-dataset，共包含4863幅图像。通过六种典型的分割模型对WPS-dataset进行评估，模型在训练过程中有效地学习和理解WPS-dataset的特征，从而在木板分割任务中表现出高性能和准确性。我们相信这个数据集可以为未来去皮处理的研究奠定坚实的基础，并对该领域的发展做出贡献。

Apr, 2024

本文提出了一种基于基于高分辨率巨观木材图像的深度学习识别方法(TDLI-PIV methodology)，旨在自动化木材物种识别，克服了传统卷积神经网络在木材识别中面临的挑战。此方法能够捕捉木材的细粒度纹理，并通过协同投票推理过程提高鲁棒性和预测准确性。

Jun, 2024

本研究解决了木工行业在原材料质量评估中面临的困难，通过一个AI模型来检测、量化和定位木材缺陷。该模型旨在自动化质量控制过程，并提供更一致和可靠的质量评估，最终模型的平均IoU达到0.71，检测和量化能力接近人工标注者。

Sep, 2024