Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

GEOMETRY OF LONG-TAILED REPRESENTATION LEARNING: REBALANCING FEATURES FOR SKEWED DISTRIBUTIONS.

... International Conference on Learning Representations·2026
Same author

Synergistic effects of plaque geometry and composition on coronary hemodynamics and mechanical stability: a multiscale computational study.

Biomedical physics & engineering express·2026
Same author

Setup-Independent Full Projector Compensation.

IEEE transactions on visualization and computer graphics·2026
Same author

DiffPC: Diffusion-Based Projector Photometric Compensation.

IEEE transactions on visualization and computer graphics·2026
Same author

Probing uric acid-related prognostic genes and their molecular mechanisms in prostate cancer based on transcriptomic data.

Discover oncology·2026
Same author

Deployment Prior Injection for Run-Time Re-Biasable Object Detection.

IEEE transactions on pattern analysis and machine intelligence·2026

相关实验视频

Updated: Jun 25, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.7K

实现高质量的多对象跟踪和分段,无需面具监督.

Wensheng Cheng, Yi Wu, Zhenyu Wu

    IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
    |May 27, 2024
    PubMed
    概括
    此摘要是机器生成的。

    本研究介绍了BoxMOTS,这是一种用于弱监督的多对象跟踪和细分的新框架,仅使用边界框注释,通过充分利用时间信息来提高准确性来克服以前方法的局限性.

    更多相关视频

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    389
    Deep Learning-Based Segmentation of Cryo-Electron Tomograms
    10:25

    Deep Learning-Based Segmentation of Cryo-Electron Tomograms

    Published on: November 11, 2022

    8.7K

    相关实验视频

    Last Updated: Jun 25, 2025

    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
    04:48

    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

    Published on: November 30, 2022

    2.7K
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    389
    Deep Learning-Based Segmentation of Cryo-Electron Tomograms
    10:25

    Deep Learning-Based Segmentation of Cryo-Electron Tomograms

    Published on: November 11, 2022

    8.7K

    科学领域:

    • 计算机视觉 计算机视觉
    • 机器学习 机器学习
    • 人工智能的人工智能

    背景情况:

    • 弱监督的多对象跟踪和细分方法往往遭受粗的伪面具标签和时间信息的不足利用.
    • 由于这些固有的局限性,现有的方法在准确的细分和强大的跟踪方面扎.

    研究的目的:

    • 开发一个新的框架,BoxMOTS,解决当前监督较弱的多对象跟踪和细分方法的局限性.
    • 通过直接使用界限框注释来对细分监督,消除了对伪面具标签的需求.
    • 加强时间信息的利用,以提高面具质量和跟踪数据的数据关联.

    主要方法:

    • 一个框架直接使用边界框标签来监督细分网络,避免伪面具标签.
    • 集成基于光流的对联一致性,以确保跨的面具一致性,提高分段质量.
    • 一个基于时间相邻的基于对的采样策略,例如嵌入学习,优化跟踪中的数据关联.
    • 一个端到端的深度模型,BoxMOTS,将这些技术结合起来,实现统一的跟踪和细分.

    主要成果:

    • BoxMOTS实现了最先进的性能,在基准数据集上显著超过现有方法.
    • 该模型在KITTI MOTS和BDD100K MOTS数据集上展示了有希望的结果,验证了其有效性.
    • 提出的方法成功地只使用框注释,消除了对面具监督的要求.

    结论:

    • BoxMOTS提供了一种更高效和有效的方法来对弱监督的多对象跟踪和细分.
    • 该框架成功地克服了粗的伪面具标签和有限的时间信息利用的缺点.
    • 该模型仅使用框注释来执行准确的跟踪和细分的能力代表了该领域的重大进步.