通过深度学习和基于多集合的方法对图像进行分割，深度学习方法展示了其优势，并且多集合方法在要求较少计算资源的情况下也能获得令人鼓舞的精确度。

Jul, 2023

提出了一种利用空间分层技术的新型无监督医学图像特征提取方法，并提出了基于权重的目标函数以实现快速图像识别。该算法将图像的像素分为多个子域，并使用四叉树访问图像。利用单纯形算法提出了一种阈值优化技术。针对高光谱图像的非线性特征，提出了一种基于核函数的广义判别分析算法。该方法不仅可以克服传统方法易受光线影响的缺点，还可以快速准确地提取目标特征，对临床诊断具有重要的参考意义。

May, 2024

本研究通过一个全面的测试框架，研究了可视化对深度学习性能的影响，结果表明适当的可视化选择可以提高性能高达 8%，然而找到一个在分割所有考古类别中表现出色的可视化方法仍然具有挑战性，实验结果突显了在成功分割考古对象时，精心选择模型配置和 LiDAR 可视化的重要性。

Apr, 2024

应用先进的图像分析方法，采用改进的 Unet 语义分割模型和基于扩展的后处理技术，成功地刻画了爆破岩石颗粒的细分离现象，并通过相对特征直径提供了岩石颗粒尺寸的空间异质性，为采石场管理中资源管理和运营决策提供了更好的信息。

Jun, 2024

我们对多个二值化方法进行了比较研究，包括全局阈值、区域生长、支持向量机、随机森林、多层感知器、U-Net 和 DeepLabV3 +，评估了工业燃烧器火焰的公共基准数据集。结果表明，深度学习是最准确的方法，而传统图像处理技术则是一个快速和简单的选择。

Jun, 2023

应用深度学习于考古学的遥感数据时，一个显著的障碍是适用于训练模型的数据集有限。本文通过比较两个 LiDAR 数据集上两种语义分割深度神经网络的多种迁移学习配置的性能，结论表明考古学中基于迁移学习的方法可以提高性能，但尚未观察到系统性的改进，为未来工作提供了基线。

Jul, 2023

本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

Sep, 2022

通过成像学和形态学的相结合，我们提出了一种新的方法，在早期乳腺超声图像中进行弱监督病变分割，其性能超过了依赖像素级注释的监督学习方法。

Nov, 2023

利用深度学习的最新进展，本文展示了如何利用 YOLOv8 神经网络来准确地分割航空 LiDAR 图像中的考古结构，通过对原始 LiDAR 数据的新型预处理和数据增强方法来训练 YOLOv8 网络，提高了平台和环状结构的分割的准确度、精度和召回率，优于现有方法，该方法自动化了耗时的 LiDAR 图像标注，显著加速了对历史景观的准确分析。

Mar, 2024

通过数据中心的深度学习技术和集成学习策略，我们的方法在空气道分割任务中表现出色，突显了空气道树异常、诊断和疾病特征化的重要性。

Jul, 2023