基于人工智能驱动的技术对视网膜血管细分的系统审查
Prem Kumari Verma1, Jagdeep Kaur2
1Department of Computer Science and Engineering, Dr. B.R. Ambedkar National Institute of Technology, Jalandhar, 144008, Punjab, India. premkv.cs.22@nitj.ac.in.
Journal of imaging informatics in medicine
|March 4, 2024
概括
本研究分析了最近的深度学习 (DL) 和机器学习 (ML) 图像细分方法. 它涵盖语义和实例细分,强调各种模型,数据集以及它们在计算机视觉应用中的性能.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 机器学习 机器学习
背景情况:
- 图像细分对于计算机视觉和图像处理至关重要,在场景理解,医学成像和机器人技术方面有应用.
- 深度学习 (DL) 和机器学习 (ML) 激发了新的图像细分技术.
- 现有的文献涵盖了许多细分算法,但需要对DL/ML方法进行整合分析.
研究的目的:
- 提供关于基于DL和ML的图像细分的最新文献的全面审查.
- 分析语义和实例细分方面的各种突破性举措.
- 检查基于DL和ML的不同细分模型的联系,好处和重要性.
主要方法:
- 关于使用DL和ML进行图像分割的最新文献的综述.
- 对卷积像素标记网络,编码解码器架构,多尺度方法,反复网络,视觉注意力和生成对抗模型的分析.
- 评估受欢迎的数据集和细分结果.
主要成果:
- 确定关键的DL和ML模型,推动语义和实例细分方面的进步.
- 不同建筑方法的比较及其有效性.
- 用于评估细分性能的流行的数据集的评估.
结论:
- DL和ML模型为图像分割任务提供了强大的解决方案.
- 审查的方法在场景理解和医学图像分析等领域取得了重大进展.
- 进一步的研究可以在这些发现的基础上开发更强大,更有效的细分算法.
