論文の概要: Deep Active Contours Using Locally Controlled Distance Vector Flow
- arxiv url: http://arxiv.org/abs/2105.08447v1
- Date: Tue, 18 May 2021 11:38:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 20:07:23.355876
- Title: Deep Active Contours Using Locally Controlled Distance Vector Flow
- Title（参考訳）: 局所制御された距離ベクトル流を用いた深部能動輪郭
- Authors: Parastoo Akbari, Atefeh Ziaei, and Hamed Azarnoush
- Abstract要約: ACM(Active Contours Model)はコンピュータビジョンや画像処理に広く使われている。
CNNは、輪郭の進化と画像のセグメンテーションの過程でユーザーを置き換えるアクティブな輪郭と組み合わせています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Active contours Model (ACM) has been extensively used in computer vision and
image processing. In recent studies, Convolutional Neural Networks (CNNs) have
been combined with active contours replacing the user in the process of contour
evolution and image segmentation to eliminate limitations associated with ACM's
dependence on parameters of the energy functional and initialization. However,
prior works did not aim for automatic initialization which is addressed here.
In addition to manual initialization, current methods are highly sensitive to
initial location and fail to delineate borders accurately. We propose a fully
automatic image segmentation method to address problems of manual
initialization, insufficient capture range, and poor convergence to boundaries,
in addition to the problem of assignment of energy functional parameters. We
train two CNNs, which predict active contour weighting parameters and generate
a ground truth mask to extract Distance Transform (DT) and an initialization
circle. Distance transform is used to form a vector field pointing from each
pixel of the image towards the closest point on the boundary, the size of which
is equal to the Euclidean distance map. We evaluate our method on four publicly
available datasets including two building instance segmentation datasets,
Vaihingen and Bing huts, and two mammography image datasets, INBreast and
DDSM-BCRP. Our approach outperforms latest research by 0.59 ans 2.39 percent in
mean Intersection-over-Union (mIoU), 7.38 and 8.62 percent in Boundary F-score
(BoundF) for Vaihingen and Bing huts datasets, respectively. Dice similarity
coefficient for the INBreast and DDSM-BCRP datasets is 94.23% and 90.89%,
respectively indicating our method is comparable to state-of-the-art
frameworks.
- Abstract（参考訳）: ACM(Active Contours Model)はコンピュータビジョンや画像処理に広く使われている。
近年、畳み込みニューラルネットワーク(CNN)は、エネルギー関数と初期化のパラメータへのACMの依存に伴う制限を取り除くために、輪郭の進化と画像セグメント化の過程において、ユーザに代わってアクティブな輪郭と組み合わせられている。
しかし、それ以前の作業は、ここで対処する自動初期化を目標としなかった。
手動初期化に加えて、現在のメソッドは初期位置に対して高い感度を持ち、境界を正確に定義できない。
エネルギー関数パラメータの割り当て問題に加えて,手動初期化や捕捉範囲の不足,境界への収束性の低下といった問題に対処する完全自動画像分割手法を提案する。
2つのcnnを訓練し, 有効輪郭重み付けパラメータを予測し, 距離変換(dt)と初期化円を抽出するための基底真理マスクを生成する。
距離変換は、画像の各ピクセルから境界上の最も近い点へ向けてベクトル場を形成するために使用され、その大きさはユークリッド距離写像と等しい。
本研究では, ビルディングインスタンスセグメンテーションデータセットであるVayhingenとBingハッシュと, INBreastとDDSM-BCRPの2つのマンモグラフィ画像データセットを含む4つの公開データセットについて評価を行った。
今回のアプローチは,平均交点オーバーユニオン(miou)の0.59 ans 2.39パーセント,境界f-score(boundf)の7.38および8.62パーセントという,vaihingenとbing hutsデータセットの最新の研究を上回っている。
INBreast と DDSM-BCRP データセットのDice similarity coefficient は94.23% と 90.89% である。
関連論文リスト
- Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - Learning to utilize image second-order derivative information for crisp edge detection [13.848361661516595]
エッジ検出はコンピュータビジョンの基本課題である。
最近のトップパフォーマンスエッジ検出手法は、厚くノイズの多いエッジラインを生成する傾向にある。
本稿では,モデルが真のエッジピクセルを正確に検出するのに役立つ2階微分型マルチスケールコンテキスト拡張モジュール(SDMCM)を提案する。
また、不均衡分布問題を軽減するために、ハイブリッド焦点損失関数(HFL)を構築した。
最後に、エッジ検出のためのSDMCMとBRMに基づくLUS-NetというU字型ネットワークを提案する。
論文 参考訳（メタデータ） (2024-06-09T13:25:02Z) - TransUPR: A Transformer-based Uncertain Point Refiner for LiDAR Point
Cloud Semantic Segmentation [6.587305905804226]
本稿ではトランスUPR(Transformer-based certain point refiner)を提案する。
我々のTransUPRは最先端のパフォーマンス、すなわちSemantic KITTIベンチマーク上の68.2%のIntersection over Union(mIoU)を達成する。
論文 参考訳（メタデータ） (2023-02-16T21:38:36Z) - Contour Context: Abstract Structural Distribution for 3D LiDAR Loop
Detection and Metric Pose Estimation [31.968749056155467]
本稿では,高精度な3DoF距離ポーズ推定を用いた簡易かつ効果的かつ効率的なトポロジカルループ閉包検出パイプラインを提案する。
我々は,3次元LiDAR点から投影されるBEV像を構造層分布として解釈する。
検索キーは、層状KD木でインデックスされたデータベースの検索を高速化するように設計されている。
論文 参考訳（メタデータ） (2023-02-13T07:18:24Z) - Direct Dense Pose Estimation [138.56533828316833]
複雑な人間のポーズ推定は、RGB画像と人体の表面との密接な対応を学習する問題である。
従来より密集したポーズ推定手法は、すべてMask R-CNNフレームワークに基づいており、まず各人物のバウンディングボックスを識別しようとするトップダウン方式で動作している。
そこで我々は,DDP (Direct Dense Pose) という,高密度ポーズ推定問題の解法を提案する。
論文 参考訳（メタデータ） (2022-04-04T06:14:38Z) - DeepFusion: Lidar-Camera Deep Fusion for Multi-Modal 3D Object Detection [83.18142309597984]
ライダーとカメラは、自動運転における3D検出を補完する情報を提供する重要なセンサーである。
我々はDeepFusionという名前の汎用マルチモーダル3D検出モデル群を開発した。
論文 参考訳（メタデータ） (2022-03-15T18:46:06Z) - TC-Net: Triple Context Network for Automated Stroke Lesion Segmentation [0.5482532589225552]
本稿では,空間的コンテキスト情報を中心として,新たなネットワークである Triple Context Network (TC-Net) を提案する。
我々のネットワークはオープンデータセットATLASで評価され、最高スコアは0.594、ハウスドルフ距離は27.005mm、平均対称性表面距離は7.137mmである。
論文 参考訳（メタデータ） (2022-02-28T11:12:16Z) - FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。
提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。
Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
論文 参考訳（メタデータ） (2021-08-27T03:07:55Z) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳（メタデータ） (2021-04-08T04:27:32Z) - Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。
これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。
SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文 参考訳（メタデータ） (2020-02-11T14:04:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。