UnSegGNet: 无监督图神经网络图像分割
本研究提出了一种基于图像块的无监督图像分割策略,将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络,通过使用图割来迭代地正则化图像块的分类,从而自然地实现了最先进的全卷积无监督像素级分割器。此外,我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。
Nov, 2023
该研究提出了一种基于图神经网络的图像分割方法,相较于现有方法可以隐式地完成部件语义分割,用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。
Dec, 2022
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
UniverSeg 利用新的交叉块机制解决了无需额外训练的医学图像分割任务,其中使用的 MegaMedical 数据集包含 53 个开放数据集,22,000 个扫描,UniverSeg 在各种解剖学和成像模式下的训练使其能够在新任务中表现出色。
Apr, 2023
本文提出了一种基于像素特征学习的数据驱动的无监督分层语义分割方法,使用同一图像的多视角协同分割来启动特征学习,加入粗细层次间的聚类变换器以确保组织层次间的语义一致性,该方法被称作 'Hierarchical Segment Grouping',在五个主流目标和场景测评基准上表现良好。
Apr, 2022
我们提出了一种简单而有效的 UNet-Transformer(seUNet-Trans)模型,用于医学图像分割,结合了 CNN-based 模型和 Transformer 模型,在多个医学图像分割数据集上进行了广泛实验,显示出优于其他几种先进模型的性能。
Oct, 2023
本文提出了一个像素级聚类框架,用于将图像分割成区域,而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割,以实现准确的无监督分割。此外,我们提出了一种训练策略,利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法,以避免由基于超像素的损失引起的过分分割。最后,我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验,我们证明了所提框架的有效性。实验结果表明,所提框架优于先前的最先进方法。
Oct, 2023
该论文提出了一种使用预训练的 GANs 自动提取前景 - 背景特征进行图像分割的方法,并在多个数据集上与现有方法进行了比较,证明其不需要人类监督就能够以良好的效果进行图像分割。
May, 2021
本研究提出了一种使用合成数据进行训练的图像分割方法,极大地减少了在新兴医学成像模态或疾病群中手动跟踪图像时的人工工作量,该方法通过对模态之间的无配对强度图像使用周期生成对抗网络和深度卷积神经网络进行端到端训练, 并在两个医学成像实验中取得了优秀的表现。
Oct, 2018