論文の概要: Saliency-Driven Active Contour Model for Image Segmentation

• arxiv url: http://arxiv.org/abs/2205.11063v1
• Date: Mon, 23 May 2022 06:02:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 18:12:09.159038
• Title: Saliency-Driven Active Contour Model for Image Segmentation
• Title（参考訳）: 画像セグメンテーションのための塩分駆動型アクティブ輪郭モデル
• Authors: Ehtesham Iqbal, Asim Niaz, Asif Aziz Memon, Usman Asim and Kwang Nam Choi
• Abstract要約: 本稿では,局所的な画像情報(LIF)を用いたサリエンシマップの利点を利用して,従来のモデルの欠点を克服する新しいモデルを提案する。 提案モデルでは,画像の鮮度マップと局所画像情報を用いて,アクティブな輪郭モデルの進行性を向上させる。
• 参考スコア（独自算出の注目度）: 2.8348950186890467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active contour models have achieved prominent success in the area of image segmentation, allowing complex objects to be segmented from the background for further analysis. Existing models can be divided into region-based active contour models and edge-based active contour models. However, both models use direct image data to achieve segmentation and face many challenging problems in terms of the initial contour position, noise sensitivity, local minima and inefficiency owing to the in-homogeneity of image intensities. The saliency map of an image changes the image representation, making it more visual and meaningful. In this study, we propose a novel model that uses the advantages of a saliency map with local image information (LIF) and overcomes the drawbacks of previous models. The proposed model is driven by a saliency map of an image and the local image information to enhance the progress of the active contour models. In this model, the saliency map of an image is first computed to find the saliency driven local fitting energy. Then, the saliency-driven local fitting energy is combined with the LIF model, resulting in a final novel energy functional. This final energy functional is formulated through a level set formulation, and regulation terms are added to evolve the contour more precisely across the object boundaries. The quality of the proposed method was verified on different synthetic images, real images and publicly available datasets, including medical images. The image segmentation results, and quantitative comparisons confirmed the contour initialization independence, noise insensitivity, and superior segmentation accuracy of the proposed model in comparison to the other segmentation models.
• Abstract（参考訳）: アクティブな輪郭モデルは画像セグメンテーションの領域で顕著に成功し、複雑なオブジェクトを背景からセグメント化してさらなる分析を可能にした。 既存のモデルは、領域ベースのアクティブ輪郭モデルとエッジベースのアクティブ輪郭モデルに分けられる。 しかし,両モデルとも,画像強度の不均一性による初期輪郭位置,雑音感度,局所最小値,非効率性など,多くの問題に直面している。 画像のサリエンシーマップは画像表現を変え、より視覚的で意味のあるものにします。 そこで本研究では,局所画像情報(LIF)を用いたサリエンシマップの利点を生かし,従来のモデルの欠点を克服する新しいモデルを提案する。 提案モデルでは,画像の鮮度マップと局所画像情報を用いて,アクティブな輪郭モデルの進行性を向上させる。 このモデルでは、画像の塩分濃度マップをまず計算し、塩分濃度駆動局所適合エネルギーを求める。 そして、塩分を駆動する局所適合エネルギーとLIFモデルを組み合わせることで、最終的なエネルギー汎関数が得られる。 この最後のエネルギー汎関数はレベルセットの定式化によって定式化され、制御項が加わり、より正確に対象の境界を越えて輪郭を進化させる。 提案手法の品質は,様々な合成画像,実画像,医療画像を含む公開データセットにおいて検証された。 画像分割結果と定量的比較により,提案モデルの輪郭初期化独立性,ノイズ非感度,良好なセグメンテーション精度が他のセグメンテーションモデルと比較された。

関連論文リスト

• Stabilize the Latent Space for Image Autoregressive Modeling: A Unified Perspective [52.778766190479374]
  遅延ベース画像生成モデルは、画像生成タスクにおいて顕著な成功を収めた。 同じ遅延空間を共有するにもかかわらず、自己回帰モデルは画像生成において LDM や MIM よりもかなり遅れている。 本稿では,画像生成モデルのための遅延空間を安定化する,単純だが効果的な離散画像トークン化手法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T12:13:17Z)
• Towards Model-Agnostic Dataset Condensation by Heterogeneous Models [13.170099297210372]
  我々は,クロスモデル相互作用により,普遍的に適用可能なコンデンサ画像を生成する新しい手法を開発した。 モデルのコントリビューションのバランスとセマンティックな意味の密接な維持により,本手法は,モデル固有凝縮画像に関連する制約を克服する。
  論文  参考訳（メタデータ） (2024-09-22T17:13:07Z)
• SAR image segmentation algorithms based on I-divergence-TV model [0.7458485930898191]
  合成開口レーダ(SAR)画像を乗法ガンマノイズで分割するために,I-divergence-TVモデルに基づく新しい変動能動輪郭モデルを提案する。 提案したモデルでは,輪郭が弱いあるいはぼやけたエッジで効率的に停止でき,画像の外部境界や内部境界を自動的に検出することができる。
  論文  参考訳（メタデータ） (2023-12-09T04:14:46Z)
• Estimating Appearance Models for Image Segmentation via Tensor Factorization [0.0]
  本稿では,画像からの外観モデルを直接推定する手法を提案する。 本手法は,潜時変モデルに対するテンソル分解に基づく推定器への入力として,画像からの局所的な高次色統計値を用いる。 このアプローチは、マルチリージョン画像のモデルを推定し、事前のユーザインタラクションなしで自動的にリージョン比を出力することができる。
  論文  参考訳（メタデータ） (2022-08-16T17:21:00Z)
• Unsupervised Deep Learning Meets Chan-Vese Model [77.24463525356566]
  本稿では,Chan-Vese(CV)モデルとディープニューラルネットワークを統合した教師なしのイメージセグメンテーション手法を提案する。 私たちの基本的な考え方は、イメージを潜伏空間にマッピングするディープニューラルネットワークを適用して、画像空間における断片的な定数仮定の違反を軽減することです。
  論文  参考訳（メタデータ） (2022-04-14T13:23:57Z)
• Cartoon-texture evolution for two-region image segmentation [0.0]
  2領域イメージセグメンテーション(英: two-rea image segmentation)は、画像が2つの関心領域、すなわち前景と背景に分割される過程である。 Chan, Esedo=glu, Nikolova, SIAM Journal on Applied Mathematics 66(5), 1632-1648, 2006
  論文  参考訳（メタデータ） (2022-03-07T16:50:01Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• Topology-Preserving 3D Image Segmentation Based On Hyperelastic Regularization [1.52292571922932]
  超弾性正規化を用いた新しい3次元トポロジー保存登録に基づくセグメンテーションモデルを提案する。 提案モデルの有効性を示す合成画像と実画像について, 数値実験を行った。
  論文  参考訳（メタデータ） (2021-03-31T02:20:46Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。