Apr, 2024

深高斯混合模型用于无监督图像分割

PDF
TL;DR使用深度学习、高斯混合模型和卷积神经网络方法，本研究提出了一种可以快速预测标签概率的图像分割方法，并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点，通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。
deep learningsemantic segmentationgaussian mixture modelunsupervised deep learningconvolutional neural network
发现论文，激发创造
  • 基于高斯混合模型的生成式语义分割模型

    GMMSeg 提出了一种使用密集生成分类器进行分割的新型分割模型，以捕获类条件密度并在具有各种分割架构和 Backbone 的情况下优于鉴别模型，即使在开放性的数据集上也表现良好。

    Oct, 2022

  • 深度非对称混合模型用于无监督细胞分割

    自动细胞分割是疾病诊断和药物研发中越来越重要的工具，本文提出了一种新的非对称混合模型用于无监督的细胞分割，该模型在细胞分割的性能上胜过现有的最先进的无监督模型约 2-30%（p<0.05）的提升。

    Jun, 2024

  • 可解释分割的可微高斯原型层

    该论文提出了一种基于高斯原型层的梯度原型学习方法，并演示了两种基于区域建议和高斯混合模型的可解释分割网络，并在农业数据集上进行了评估。

    Jun, 2023

  • 基于自下而上和自上而下的线索进行弱监督语义分割

    本研究提出一种使用 CNNs 结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在 PASCAL VOC 2012 数据集上保持高性能。

    Dec, 2016

  • 基于可微分特征聚类的图像分割无监督学习

    本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法，包括归一化和可微聚类函数，解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法，同时保持高效性和准确性。经过在多个数据集上的测试，得出了该方法的有效性。

    Jul, 2020

  • 使用深度高斯混合模型估计缺失值的条件密度

    本研究提出了一种结合深度神经网络灵活性和高斯混合模型简洁性的方法来估计缺失值的条件概率分布，并实验验证了我们的模型在插补缺失值方面的有效性。

    Oct, 2020

  • 高斯混合模型和神经网络的高效一次迭代学习算法

    本文提出了一种基于高斯混合模型（Gaussian Mixture Model，GMM）的学习算法，相比经典的期望最大化（Expectation Maximization，EM）算法，该算法具有更高的鲁棒性和简易性，提高了准确性，仅需 1 次迭代进行学习。我们在理论上证明了该新算法无论参数初始化如何，都能保证收敛。与神经网络中的经典概率层相比，我们比较了 GMM 扩展方法，证明其更好地克服了数据不确定性和逆问题。最后，我们测试了基于 GMM 的生成器，展示了进一步应用的潜力，能够利用分布随机抽样进行随机变异和变异控制。

    Aug, 2023

  • 高斯混合卷积网络

    提出了一种基于多维高斯混合分析卷积的深度学习方法，该方法通过高斯混合卷积核和数据产生多个特征通道，使用高斯混合拟合来代替传统的转移函数（如 ReLU），并在适当减少高斯混合成分数量的情况下进行汇集，基于该架构的网络在封装 MNIST 和 ModelNet 数据集的高斯混合物上达到了竞争性的准确性。

    Feb, 2022

  • 论 GAN 和 GMM

    本文研究了 GANs 在图像统计建模方面与 Gaussian 混合模型的效果，结果表明，GMM 能够生成逼真的图像，同时也能够捕捉到 Gans 无法捕捉到的分布特征，为图像生成提供了一种有效而全面的统计学方法。

    May, 2018

  • 多模态深度聚类：图像的无监督分区

    提出了一种无监督聚类框架，使用深度神经网络进行端到端的学习，从而直接对图像进行聚类分配，同时通过自我监督任务来获得更有意义的图像特征表示，实验结果表明，该方法在六个具有挑战性的基准测试中取得了优异的成果。

    Dec, 2019