Nov, 2023

基于盒子监督方法的矿石图像纹理高效分割

PDF
TL;DR提供了一种具有纹理特征的有效的箱式监督技术用于矿石图像分割，该技术能够识别完整和独立的矿石，并通过使用 Ghost-FPN，优化的检测头以及融合特征相似性损失函数来提高准确性。这种方法在矿石图像数据集上保持了高水平的准确性。
image segmentation methodstexture featuresghost feature pyramid networklab color spaceore image dataset
发现论文，激发创造
  • 基于有效的 MLP 点导向分割网络的含模糊边界矿石图像

    基于多层感知机的轻量级框架解决矿石图像中模糊边界的问题，通过特征金字塔网络平衡局部和全局信息、设计新的损失函数以达到清晰物体边界，取得了出色的处理速度和精确度。

    Feb, 2024

  • Faster OreFSDet：一种轻量级有效的用于矿石图像的少样本物体检测器

    本文提出了一种轻量级有效的少样本探测器来实现在含有黄金图片样本时与一般目标探测相竞争的性能，其中支持特征挖掘块刻画了支持特征中的位置信息的重要性，关系指导块充分利用支持特征引导准确候选区提取，双尺度语义聚合模块检索不同分辨率的详细特征以对预测过程做出贡献。该方法在所有指标上均持续超过现有的少样本探测器，并在模型大小上达到 19MB 的最小值，以及与普通目标探测器相竞争的 50 FPS 探测速度。

    May, 2023

  • 基于融合注意力机制的矿石分类网络

    该研究提出了一种名为 OreYOLO 的方法，通过将注意机制和多尺度特征融合策略结合到金矿和硫化矿石的矿石数据中，提高了模型的检测性能和准确性。实验证明 OreYOLO 在金矿和硫化矿石分类训练中优于常用的高性能目标检测算法。

    May, 2024

  • 使用二维灰度共生矩阵的纹理图像处理进行破损铁轨检测

    该文提出了一种基于图像纹理处理的铁路缺陷检测方法，使用 Automatic Train Control system 提高铁路安全性，分析了由于铁路破损和断裂导致的事故，采用 Random Forest 分类器对提取的缺陷图像特征进行分类，实验结果表明该算法在精度、召回率和准确度方面均优于支持向量机和 K - 最近邻分类器。

    Apr, 2023

  • 深度神经网络融合纹理进行图像分类

    精细化图像分类任务中，由于不同子类别间视觉差异小、类内变化大，深度学习方法在解决该问题中取得了显著成功。本文提出一种融合方法，通过将全局纹理与局部基于图像块的信息相结合来解决精细化图像分类问题。我们的方法在人脸、皮肤病变、美食、海洋生物等八个数据集上使用四个标准的骨干 CNN 进行了测试，并在分类准确率上取得了优于现有方法显著的提升。

    Aug, 2023

  • 基于迭代挖掘共同对象特征的弱监督语义分割

    本文提出一个迭代的自下而上和自上而下的框架，通过挖掘常见特征来扩展对象区域，并通过优化分割网络进行训练和预测对象掩码，证明此方法在 Pascal VOC 2012 数据集上的表现优于现有的最先进方法。

    Jun, 2018

  • 基于深度学习的混凝土岩石学分析自动化图像分割

    本文研究了使用卷积神经网络 (CNN) 在没有使用颜色处理的情况下进行混凝土分割的可行性，并证明其优于基于颜色的分割方法并具有与人工专家相当的准确度，从而缩短了分割时间。

    May, 2020

  • 基于图像分割的苹果果园水果检测与产量估计

    本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。

    Oct, 2016

  • 基于模型集成的纹理提取方法用于改善分类

    本研究提出了一个框架，该框架将多种基于纹理的技术与 CNN 主干结合起来，以提取与图像纹理相关联的最相关特征，使模型可以以自我选择的方式进行训练，并在几个基准数据集上展现了最新的成果。

    Jun, 2022

  • 生物图像的物体引导实例分割

    本文提出了一种基于盒子的实例分割方法，通过引入目标检测和实例规范化技术，实现在生物图像识别中更准确的实例分割。

    Nov, 2019