Nov, 2023

一种可精确解的循环神经网络中的图像分割方法

PDF
TL;DR利用复数作为每个单元的状态，通过递归神经网络中的时空动力学进行图像分割，展示了这种网络生成的复杂时空动力学能够根据场景的结构特征有效地将图像划分为不同群组，并提供了该网络在物体分割中的机制的精确描述，从而对网络执行此任务的数学解释提供了清晰的数学解释，并演示了一种简单的物体分割算法，它适用于从简单的几何对象在灰度图像到自然图像的输入。通过使用一种将结构、动力学和计算结合起来的数学方法构建的具有固定权重的递归神经网络实现了所有图像的物体分割，从而展示了递归神经网络的表达能力潜力。
发现论文，激发创造
  • 变量计算预算的循环分割

    本文提出了一种递归神经网络用于语义图像分割，该网络可在各种计算预算的范围内部署，并可用于有效地分割静态图像和视频。该方法通过利用先前帧的分割来进行视频分割，在降低计算成本的同时保持了分割质量。

    Nov, 2017

  • 循环实例分割

    该研究提出了一种基于循环神经网络的端到端方法，通过顺序地查找每个不同的目标对象及其分割来解决实例分割的问题，并通过空间记忆来跟踪已解释的像素，以处理遮挡，这种方法优于当前所有最先进的方法。

    Nov, 2015

  • 语义实例分割的递归神经网络

    我们提出了一种用于语义实例分割的循环模型，它可以为图像中的每个对象顺序生成二进制掩码和它们的相关类概率。

    Dec, 2017

  • 基于全卷积递归网络的视频分割

    本文提出了基于卷积门控循环单元网络的在线视频分割方法，利用滑动窗口对时间数据进行处理，并在变化检测数据集上进行实验，相比于常规的全卷积神经网络有 5.5% 的性能提升。

    Jun, 2016

  • 深度学习方法用于物体跟踪、速度估计和传感器数据随时间的投影

    本研究提出了一种基于 Transformer 机制的新型循环神经网络单元，该单元能够利用序列传感器录音中的时空相关性，并跟踪对象编码，以获取场景动态和回归速度，并根据提取的速度估计将循环神经网络的内存状态进行投影，以解决空间和时间不对齐的问题。

    Jun, 2023

  • Flood-Filling 网络

    本研究提出了一种统一的端到端可训练的机器学习方法，即基于泛洪填充网络的图像分割，能够处理大小不一、数量不定的图像分割任务，并在连接组学重建等任务中取得了极高的准确率，可用于替代复杂的多步分割流程。

    Nov, 2016

  • 卷积门循环神经网络用于视频分割

    本文提出了一种基于全卷积神经网络和门控循环体系结构的循环全卷积网络，利用视频中的时间信息进行在线语义分割， 大幅提高了分割的准确性，可以在二进制和语义视频分割任务中应用。

    Nov, 2016

  • 需要使用复现来捕获人类视觉系统的表现动态

    本研究采用时间分辨脑成像和深度学习的方法，探究人脑视觉处理的层次动态及信息流向，结果表明，回归深度神经网络模型比参数匹配前馈模型更能准确捕捉人脑视觉处理的多区域功能

    Mar, 2019

  • 利用循环神经网络进行端到端跟踪和语义分割

    该论文介绍了一个基于循环神经网络的新型端到端框架，用于在复杂、动态且仅部分可观测的现实环境中跟踪和分类机器人的周围环境，并通过少量标记的数据使网络精通语义分类任务。

    Apr, 2016

  • 利用稀疏标注进行主动脉影像序列分割的循环神经网络

    本文提出了一种将全卷积网络和循环神经网络相结合的图像序列分割算法，旨在将空间和时间信息同时纳入分割任务中，通过非刚性标签传播和指数加权损失函数的引入来解决训练中存在的挑战，实现了对人体主动脉 MRI 图像序列的高精度分割。

    Aug, 2018