- 为科学图像集分割死海古卷片段
本文介绍了一种用于从以色列古物管理局(IAA)策划的图像中分割手稿碎片的定制流水线,并通过隔离和解决每个困难的定制方法来解决标尺、颜色、号码栏以及黑色背景等难题。此外,我们创建了一个带有条形码检测和碎片分割真值信息的数据集,并在该数据集上定 - 使用在自然图像上预训练的 2D 视觉 Transformer 增强 3D 神经元分割
通过在大规模自然图像上预训练的 2D 视觉 Transformer 模型,初始化基于 Transformer 的 3D 神经元分割模型,建立了丰富的自然图像与稀有神经元图像之间的知识共享连接,以提高 3D 神经元分割的效能。
- 医学图像扩散分割分析
对扩散分割与图像生成之间的区别进行分析和讨论,重点关注训练行为,评估直接用于分割的扩散分割架构的表现,以及不同医学分割任务对扩散分割行为的影响及相应的扩散过程的调整方法。通过这些分析,旨在为未来扩散分割方法的设计和评估提供深入见解。
- ICMLDQ-Det:基于 Transformer 的物体检测与分割的学习动态查询组合
使用基于 Transformer 的检测和分割方法,学习检测查询列表以从变压器网络中检索信息,并学习预测每个查询中一个特定对象的位置和类别。通过学习基于图像的高层语义的动态系数的凸组合的方式,生成的动态查询更好地捕获不同图像中对象位置和类别 - 利用 SO (3) 等变隐式神经表示进行生物细胞的生成式建模
本研究使用神经网络将细胞形状表示为符号距离函数的水平集,从而生成具有高相似度的 3d + 时间细胞形状,并使用图像到图像模型合成了相应的显微镜图像。
- 医学图像分割的多模态评估方法
本研究探讨了在医学图像分割中应用机器学习加速分割的过程中,评价方法的选择以及如何处理体素间的依存关系问题。研究以多模态评价方法为基础,量化并优化不同分割方法的表现效果。
- CVPRSharpContour: 基于轮廓的边界细化方法,用于高效和准确的实例分割
本文提出了一种高效的基于轮廓的边缘细化方法 SharpContour,通过设计一种新颖的轮廓演化过程和实例感知点分类器,能够比现有的方法更加准确地预测轮廓,并与现有的模型无缝合作。
- ECCVCAR: 语义分割的类别感知正则化
本文提出了一种基于类别感知的正则化方法,通过优化特征学习过程中的类内方差和类间距离来更有效地利用类别信息,该方法可以应用于大部分现有的分割模型,并且可以在不增加推理开销的情况下显著提高它们的准确性。
- SegGroup: 3D 实例和语义分割的分割级别监督
利用物体实例的位置信息,设计一种弱监督点云语义分割算法。通过对超分割后的物体实例进行点击,生成分割级别的标签,并通过分割分组网络将分割级别标签转化为点级别伪标签,从而实现基于分割级别标签的语义分割训练。
- 使用深度学习在结肠镜检查中实时进行息肉检测、定位和分割
本研究旨在通过使用 Kvasir-SEG 数据集对几种先进方法进行基准测试,评估其在结肠镜疾病检测、定位和分割方面的性能,并显示所提出的 ColonSegNet 方法在精度、速度和分割任务方面均表现优异,其表现足以证明进行自动化实时息肉鉴别 - 限资源分割的循环 U-Net
该论文介绍了一种新颖的循环 U-Net 网络结构,它可以保留原始 U-Net 的紧凑性,并显著提高其性能,尤其在几个基准测试中超过了现有技术。该方法不仅适用于手部、视网膜血管和道路等多种分割任务,还引入了大规模手部分割数据集。