Apr, 2024

基于保边概率下采样的高效精确 CT 分割

PDF
TL;DR通过引入一种名为 Edge-preserving Probabilistic Downsampling (EPD) 的新方法，该方法利用局部窗口中的类别不确定性产生软标签，以低分辨率实现网络生成高质量预测，从而更有效地保留边缘细节，并在图像下采样中优于常规的最近邻插值方法和双线性插值方法，从而提高整体性能。相较于常规插值方法，我们的方法在将数据下采样至 1/2、1/4 和 1/8 时，Intersection over Union (IoU) 显著提高了 2.85%、8.65% 和 11.89%。
downsamplingsegmentation networkmedical image segmentationedge-preserving probabilistic downsamplingintersection over union
发现论文，激发创造
  • 针对超高分辨率图像分割的降采样学习

    本文提出一种基于学习性下采样模块的图像分割算法来解决低成本语义分割，优化采样密度分布并通过规则项鼓励采样位置聚焦于对象边界，实验证明对图像分辨率高、计算资源限制的三组数据集均具有高效 - 准确性的优势。

    Sep, 2021

  • 高效分割：学习在语义边界附近进行下采样

    本研究提出了一种新的内容自适应下采样技术，通过学习目标类别边界附近的采样位置，保证了准确性和计算效率之间的平衡，从而获得更好的边界质量和对小物体的更可靠支持。

    Jul, 2019

  • 通过像素级不确定性估计实现通用性医学图像分割

    本文提出一种新的基于不确定性估计的框架用于医学图像分割任务，以突出难以分类的像素，并提高深度神经网络的泛化能力。实验结果表明，该方法优于现有技术。

    May, 2023

  • 卷积神经网络中的内容自适应下采样

    该论文提出了一种适应性下采样方案，通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域，从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。

    May, 2023

  • 基于像素区间下采样技术的环境微生物图像稠密微小微生物计数应用

    本研究提出了一种新型的像素间隔下采样网络（PID-Net），用于高精度的密集微小物体（酵母细胞）计数任务，并通过在评估中使用几种经典分割度量标准和计数度量标准，证明了该网络的最佳性能和潜力。

    Apr, 2022

  • 面向语义分割的有边缘感知的即插即用方案

    提出了一种通用的边缘监督方法 EPS，通过边界信息提高语义分割的性能，并使用 Polar Hausdorff Loss 作为辅助监督。在 22 个模型上的实验结果表明，EPS 可以无缝地集成到任何最先进的模型中，极大地提高了分割性能。

    Mar, 2023

  • 提高上采样稳定性 —— 关于空间上下文的重要性

    通过使用卷积上采样操作并增加内核大小而保持编码器不变，我们首次探索了上采样过程中上下文的重要性，并发现增大内核大小可以提高像素预测任务的稳定性，尤其在图像修复或图像分割任务中。

    Nov, 2023

  • 点云分类的自适应分层下采样

    该研究提出了一种自适应化下采样方法来保留点云中的重要点，使其可以与任何基于图的点云卷积层结合成为一个卷积神经网络用于 3D 物体分类。该方法在点云类数据集 ModelNet40 中取得了最佳结果。

    Apr, 2019

  • 通过最优传输和概率扩散模型进行统计降尺度处理：粗略去偏差，有条件地选样

    介绍了一种新的基于概率框架在非成对数据之间的统计降尺度方法，该方法将最优输运地图和基于后验条件采样的概率扩散模型相结合，从而不需要成对数据便能还原有偏差样本中的相关物理统计数据，并在天气和气候的数值模拟中得到了实用验证。

    May, 2023

  • 语义引导深度上采样

    本研究提出了一种全新的、通过高分辨率图像引导的、精确高效的稀疏深度数据上采样方法，使用结构化边缘检测和语义场景标记来获取目标边缘线索，并将两种线索结合于测地距离度量中，进而在利用局部内容的情况下，实现了保持边界的深度插值，通过将观察到的场景结构建模为本地平面元素，并将上采样任务形式化为全局能量最小化问题，定出全局一致的解决方案，有效地保留了细节和深度边界，实验结果表明，与现有技术相比，本研究方法在不同的应用水平下均表现出卓越的性能。

    Aug, 2016