- 基于惩罚约束的分割网络的邻近感知校准
通过等式约束方式,NACL(Neighbor Aware CaLibration)能够在深度分割网络中实现优越的校准性能,而不影响其判别能力。
- 论 MRI 前列腺癌检测中错误传播的模块化系统评估实践再思考
磁共振成像在前列腺癌(PCa)检测中已成为关键组成部分,人工智能系统可以通过对临床显著(csPCa)和非临床显著(ncsPCa)的病变进行分割和分类来支持放射学评估。本研究通过比较两种具有异质性能的分割网络(s1 和 s2)对检测阶段的影响 - 基于几何学学习的 Transformer 网络用于分割误差估计
我们提出了一种基于图神经网络的转换器方法来识别和测量分割图中的错误区域,并通过遥测得出高层结构内的人类耳蜗错误率为 0.042,大约 79.53% 的准确性。
- 提高医学图像的异常检测能力的更困难的合成异常
我们的研究基于之前的医学领域离群分布挑战(MOOD)的获奖者的工作,其经验性地表明通过复制和插值外来补丁生成合成局部异常有助于训练分割网络,从而能够推广到未见过的异常类型。我们的贡献在合成异常生成过程中,通过使用随机形状而不是方形,并平滑异 - ICCV基于聚类的点云表示学习用于三维分析
基于聚类的监督学习方案用于点云分析,通过在点嵌入空间上进行类内聚类来自动发现子类模式,进而重构嵌入空间以提高鲁棒性;该算法在各种 3D 网络架构上表现出明显的改进,并在知名点云分割数据集和 3D 检测中显示出实用性。
- 计算机断层扫描图像中主动脉和大血管分割的拓扑感知损失
本文介绍了一种新的拓扑感知损失函数,通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性,实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。
- 卷积神经网络在语义分割任务中很少学习形状信息
通过一系列实验,发现在典型的设置下 CNN 并不会学习物体的形状,而是依赖其他特征,但只有在形状是识别物体的唯一特征时,CNN 才能学习形状。此外,适当的感受野大小相对于目标物体的大小和有限的扩充能够鼓励形状学习,并且在存在超出分布的数据时 - ECCV利用感染感知对比混合分类提高 COVID-19 严重程度检测的准确性
本文提出了一种新型的基于感染的 3D 对比混合分类网络用于 COVID-19 胸部 CT 图像的病情评估,通过使用分割网络提取肺部和内部病变区域并使用加权交叉熵损失函数来改进模型性能,分数显著优于基线模型。
- ECCVPseudoClick: 带有点击模拟的交互式图像分割
本文提出一个名为 PseudoClick 的框架,使得现有的分割网络能够提出候选的下一步点击,从而进一步减少用户交互成本,该框架的目标是通过最少的用户点击来获得精确的对象分割掩码。
- 关于基于补丁的对抗攻击在语义分割问题上的可行性和普适性
本研究通过简单的案例研究,在模拟和实际生活中证明了补丁攻击可用于改变分割网络的输出。通过一些例子和网络复杂性的研究,我们还证明了在给定大小的补丁攻击中可以生成的可能输出图的数量通常小于它们影响的区域或在实际应用中应该攻击的区域。我们将证明, - CVPR深层次语义分割
本文提出了一种用于分层语义分割的新架构 HSSN,它可将现有的分割网络有效地应用于分层语义分割,通过像素嵌入和类别层次结构来实现像素级多标签分类和更好的分割。
- ECCV基于 AdaIN 的域自适应和知识蒸馏的 CXR 分割
通过自适应实例标准化技术,同时进行域适应和半监督分割任务训练的单一生成器模型,达到胸部 X 光分割领域中未见效果,并且实现了最先进的分割效果。
- 基于源域松弛的图像分割领域自适应
提出了一种基于熵最小化的,无需同时访问源域和目标域图像的领域自适应(DA)方法,基于学习到的解剖学信息作为先验知识。该方法在多种分割问题中表现出可比较的结果,只需要使用一个网络和各种派生自解剖学信息的先验知识。
- CVPR语义分割的压缩注意力网络
本文提出了一种新颖的挤压和注意力(SA)模块,结合传统卷积实现像素组关注和像素级预测,最终通过融合四个层次的 SANet 的输出来集成多尺度的上下文信息,从而实现了在 PASCAL VOC 和 PASCAL 上的语义分割任务中表现出色。
- CVPR利用合成数据进行学习:解决语义分割的领域偏移问题
该研究提出了一种基于生成对抗网络(GANs)的新方法,以改进分割网络所学到的表示在合成和真实领域中的自适应,证明了其具有广泛性和可扩展性。
- ADE20K 数据集场景语义理解
本研究介绍并分析 ADE20K 数据集及其相关的 Cascade 分割模块,用于场景解析并在语义分割网络中实现显著提升。同时,发现在 ADE20K 数据集训练的场景解析网络可以应用于各种不同场景和对象。