Search research articles

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 Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

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

Enhancing anomaly-based zero-day attack detection framework using CNN-driven feature extraction and OC-SVM.

Scientific reports·2026

Same author

Hybrid GA-DQL approach for efficient task mapping of IoT applications in fog computing framework.

Scientific reports·2026

Same author

An ensemble-based sentiment analysis approach for precision medicine recommendation.

Scientific reports·2026

Same author

Energy and makespan optimised task mapping in fog enabled IoT application: a hybrid approach.

Scientific reports·2026

Same author

Cloud-enabled automatic modulation classification using deep feature fusion and Moth-Flame Optimized ELM approach.

Scientific reports·2025

Same author

Evolutionary optimization-based descendent adaptive filter for noise confiscation in electrocardiogram signals.

Physical and engineering sciences in medicine·2025

Search research articles

相关实验视频

Updated: Sep 17, 2025

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

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

Published on: November 30, 2022

一个高效的伪装图像细分与修改的UNet和注意力技术.

Isha Padhy^1,2, Prabhat Dansena¹, Sampa Sahoo¹

¹Department of Computer Science, C V Raman Global University, Bhubaneswar, India.

Scientific reports

|July 2, 2025

概括

伪装对象细分 (COS) 得到了CAMO-UNet的改进,这是一个使用残余块和注意力机制的新型模型. 这种计算机视觉方法增强了对具有挑战性的细分任务的特征学习和准确性.

关键词:

注意力机制注意力机制伪装对象的细分伪装对象的细分计算机视觉计算机视觉计算机视觉深度学习是一种深度学习.对象检测检测对象检测对象检测联合国网络联合国网络联合国网络

更多相关视频

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

相关实验视频

Last Updated: Sep 17, 2025

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

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

Published on: November 30, 2022

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

科学领域:

计算机视觉计算机视觉
图像处理图像处理
人工智能的人工智能

背景情况:

伪装对象分割 (COS) 是一个复杂的计算机视觉问题,原因是对象与背景混合.
像UNet这样的标准模型面临着模两可的边界和纹理相似性的局限性,导致细分错误.
现有的方法在具有挑战性的伪装场景中难以准确地分离物体.

研究的目的:

介绍CAMO-UNet,这是一种新的深度学习架构,旨在克服伪装对象细分中的传统模型的局限性.
为了提高对有复杂伪装图案的对象的细分模型的准确性和稳定性.
提高特征表示和深度神经网络中的学习效率,用于计算机视觉任务.

主要方法:

拟议的CAMO-UNet集成剩余块,以促进梯度流并实现更深层的网络架构.
整合了注意力机制,以专注于突出特征并捕捉远程空间依赖.
使用深度感知三角循环学习速率 (CLR) 策略,优化跨不同网络深度的训练动态.

主要成果:

在伪装对象细分的基准数据集上,CAMO-UNet实现了93.8%的高精度.
该模型在与包括SINet,BGNet和PFNet在内的最先进的方法相比显示出更高的性能.
评估显示,关键细分指标 (如S测量,F测量和平均绝对误差 (MAE)) 显著改善.

结论:

通过其创新的架构组件,CAMO-UNet有效地解决了伪装对象细分的挑战.
剩余块,注意力机制和CLR的整合有助于增强特征学习和细分精度.
该模型代表了计算机视觉在复杂环境中准确细分伪装对象方面的重大进步.