HyperSpace:适应间隔的图像分割的超网络
本文介绍了在体积数据上使用基于深度残差学习的深度卷积网络VoxResNet用于脑部图像分割的任务,同时提出了一种通过无缝集成低阶图像外观特征、隐式形状信息和高级上下文的自动上下文版本VoxResNet来进一步提高体积分割性能的方法,实验证明该方法在处理体积数据方面表现出色,揭示出3D深度学习在体积图像分割中的潜力。
Aug, 2016
本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中,以将解剖结构位置信息与医学图像分析相整合,提高自动分割的准确性,实验结果表明,加入位置信息的网络与手工特征或不加入位置信息的网络相比较,取得了更好的结果。
Oct, 2016
提出了一种名为HyperDenseNet的三维全卷积神经网络,扩展了密集连接的定义以解决多模式分割问题。该网络在多个标准数据上表现优秀,较其他分割网络有较大提高,基于特征重用的实验分析确认了密集连接在多模式特征表示学习中的重要性。
Apr, 2018
本文提出了一种新颖的实时语义分割神经网络,其中编码器既编码也生成解码器的参数(权重),并且为了实现最大的适应性,每个解码器块的权重都在空间上有所变化。我们设计了一种新型的超网络,在其中,用于绘制高级上下文特征的嵌套U-Net、多头权重生成模块,该模块在解码器使用权重之前立即生成解码器每个块的权重,以实现高效的内存利用,以及由新颖的动态面向补丁的卷积组成的主要网络。尽管使用了较不常见的块,但我们的架构实现了实时性能,在运行时间与准确性的权衡方面,在流行的语义分割基准测试上(PASCAL VOC 2012, Cityscapes和CamVid)的表现都超过了最先进的结果。
Dec, 2020
本篇论文介绍了一种基于体素和网格表达,利用欧几里得信息和测地信息的深度学习体系结构 VMNet 用于室内场景的 3D 语义分割,并在实验证明了其优越性能,尤其是在大规模的 ScanNet 数据集上。
Jul, 2021
本文介绍了一种新的超网络策略可以用来快速生成卷积神经网络,从而用于处理图像分割任务,在尽可能地保证准确性的前提下提高计算效率,并成功展现了各种域的价值。
Apr, 2023
本文提出了可扩展和可转移的U-Net (STU-Net)模型, 参数从1400万到14亿, 并在大规模的医学分割数据集上表现良好, 并评估其在14个下游数据集上的可转移性。
Apr, 2023
本文介绍了3D DeformUX-Net,一种创新的体积卷积神经网络模型,它灵活地处理了传统上与ViTs和大内核卷积相关的缺点,并且在四个具有挑战性的公共数据集上持续优于现有的最先进的ViTs和大内核卷积模型。
Sep, 2023
通过细致避免使用不充分的基线、不足够的数据集和忽视计算资源等常见验证缺陷,我们对当前分割方法进行了全面而彻底的基准测试,结果表明:1)采用包括ResNet和ConvNeXt变体在内的基于CNN的U-Net模型,2)使用nnU-Net框架,以及3)将模型缩放到现代硬件资源规模,可以实现最先进的性能,揭示了领域内对新颖架构持续的创新偏见,并强调了在科学进步中更为严格的验证标准的必要性。
Apr, 2024
本研究解决了现有医疗图像分割方法在像素精度高的同时,常常忽视拓扑正确性的问题。提出了一种与特定分割流程兼容的通用拓扑细化方法,通过合成涵盖多种拓扑错误的分割图像,显著提高了拓扑修复的效率和效果,最终证明该方法能够超越现有的基于拓扑学习的和后处理的方法。
Sep, 2024