一个多源循环地球测量投票模型用于图像分割
Shuwang Zhou1,2, Minglei Shu2, Chong Di2
1College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China.
Entropy (Basel, Switzerland)
|January 8, 2025
概括
PolarVoting通过将卷积神经网络 (CNN) 与几何先验相结合来增强图像细分. 这种新的方法提高了在具有挑战性的计算机视觉和医学成像任务中的精度和稳定性.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 卷积神经网络 (CNN) 在特征学习方面表现出色,但缺乏几何先验和全球背景.
- 变量方法提供几何先验,但需要手动初始化,对超参数敏感.
- 现有的方法在复杂的成像场景中难以准确.
研究的目的:
- 开发一种新的图像细分方法,PolarVoting,它将CNN与几何先验集成在一起.
- 为了提高细分精度和稳定性,特别是在具有挑战性的成像条件下.
- 为了利用最小路径编码和修改的圆形几何投票方案.
主要方法:
- 使用PolarMask模型提取多个源点进行初始化.
- 使用修改的圆形几何投票 (CGV) 方案构建投票分数图.
- 在投票地图中嵌入全球几何信息以实现准确的细分.
主要成果:
- 与PolarMask和传统的单源CGV模型相比,PolarVoting方法显示出更高的性能.
- 在各种数据集中实现了增强的细分精度和稳定性.
- 在图像中成功地划出了物体边界,其强度不均,噪音和复杂的背景.
结论:
- PolarVoting有效地将神经网络表示与几何前置进行集成,用于高级图像分割.
- 拟议的方法在解决当前细分技术的局限性方面取得了重大进展.
- PolarVoting对计算机视觉和医疗成像中的应用非常有希望,因为这些应用需要精确的对象划分.
