标签合并与拆分:一种用于高效脑分区的图着色方法
本文提出了一种新的实例分割到语义分割的简单归约方法,使用彩色分配和卷积神经网络进行训练和测试,试验结果表明该方法在解决自动驾驶、植物表型学和高通量显微镜图像分析等领域的实例分割任务方面具有较高的有效性。
Jul, 2018
本文提出了一种名为 SLANT 的方法,结合传统医学图像处理和深度学习, 提供了一种分布式多个独立 3D 全卷积网络进行高分辨率全脑分割的方法, 并将其应用于大量未标记扫描的辅助标签, 与传统多图谱分割方法相比,该方法的性能更优,并将计算时间从 > 30 小时缩短至 15 分钟。
Mar, 2019
本文提出了一个基于深度学习的区域合并方法 - DeepMerge 来处理大面积 VHR 图像的分割,该方法通过集成 Transformer, 多级嵌入模块,基于分割的特征嵌入模块和区域邻接图模型处理问题,并使用改进的二叉树采样方法生成深度合并模型的多级输入。从实验结果表明,所提出的 DeepMerge 具有最高的 F 值(0.9446)和最低的 TE(0.0962)和 ED2(0.8989),能够正确地分割不同大小的对象,并且优于所有选择的分割方法从定量和定性评估方面来表现。
May, 2023
该论文研究如何提高深度学习算法在标签噪声存在的情况下的鲁棒性,提出了一种名为 CrossSplit 的新型训练方法,该方法可以通过两个神经网络在数据集的两个不相交部分上训练来缓解噪声标签的记忆化现象,并使用对等网络的预测来调整每个网络的训练标签。实验证明,该方法在 CIFAR-10、CIFAR-100、Tiny-ImageNet 和 mini-WebVision 数据集上可以比当前最先进的方法提高 90% 的噪声率。
Dec, 2022
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
Apr, 2021
本研究提出了一种新的超像素标签软化方法来处理医学图像分割中的不确定性标注问题,将软化后的标签与硬标签一起用于训练分割模型,在 3D 和 2D 医学图像中均取得了相对于基线和对照方法的优异分割表现。
Jul, 2020
通过将模型划分到多个 GPU 上并生成合成中间标签来训练各个部分,以减少数据通信和保持模型准确性为目标,该研究证实了该方法在减少内存和计算需求的同时实现了类似传统训练方法的测试准确性,从而减轻了训练大型神经网络的资源密集性,为更高效的深度学习模型开发铺平了道路。
Mar, 2024
本研究提出一种基于树形结构和边界分类器的图像分割的有监督分层方法,实验结果表明该方法在六个公共数据集上实现了最先进的区域分割精度,在没有语义先验的图像分割中具有很强的竞争力。
May, 2015
本文提出了一种基于随机森林分类器和卷积神经网络的分割方法,采用整数线性规划强制实现连续的细胞膜分割,成功避免了传统方法中的模糊细胞内部混合现象,同时降低了拓扑错误。
Feb, 2020