本文提出了一种改进三维网格分割算法性能的新方法。我们的方法以一个三维网格对象和一个分割算法作为输入。我们的方法使用马尔可夫随机场(MRF)估计，对于每个网格顶点，顶点位于分割边界的可能性。这是通过重复一个过程来完成的，在这个过程中，我们扰动3D网格数据，并使用提供的算法重新分割表面，然后分析所提供的分割边界的变化。我们的MRF使用这些分割作为数据来估计每个顶点是分割边界成员的可能性。在MRF中加入先验，鼓励解满足平滑条件。结合似然和先验来生成位于分割边界上的网格顶点的后验分布。然后将改进后的分割作为最大化一个后验分布的顶点集合，称为MAP-MRF估计。给出了2种不同输入算法和3种不同输入面的分割结果，并给出了分割改进的定量措施。该方法可以应用于许多分割算法，以改善结果，否则可能遭受分割过或欠分割。
————————————————
版权声明：本文为CSDN博主「佩佩想做程序猿」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_46559411/article/details/124349928
2022-04-22 22:05:40
1.92MB
1
采用pytorch深度学习框架实现的deeplab_v3+语义分割任务，谷歌deeplab系列性能最好也是最复杂的一个版本，可满足绝大部分基础语义分割场景。主干网络在算力不足时可选择轻量版的mobilenet_v2，算力足够时可选择Xception。
deeplab_v3+：用一个简单有效的解码器模块扩展deeplab_v3优化细分结果，尤其是沿目标边界。此外，在这种编码器 - 解码器结构中，可以通过空洞卷积任意地控制所提取的编码器特征的分辨率，以平衡准确率和运行时间。
本代码可作为入门计算机视觉语义分割任务时的学习了解用处，也可作为高校大学生的毕业课程设计使用。
2022-04-22 17:06:23
198.1MB
文中提出了一种肝脏在CT（Computed Tomography）图像中的半监督自动分割方法。该方法采用深度协同训练模型以解决医学图像领域中有标签数据获取困难且成本高的问题。首先利用有标签数据建立U-Net和2D V-Net两种分割网络，并分别对无标签数据进行分割，然后对分割结果进行粗略挑选，再进行精细挑选，最后将置信度较高的伪标签加入到训练集中，重复此过程直到对验证集分割结果的Dice值不再增大时为止。提出的方法可以减少迭代过程中累积的误差，在2017 Liver Tumor Segmentation（LiTS）数据集上的结果表明，该方法与全监督学习相比可以有效提高分割精度。
2022-04-22 10:18:29
1.57MB
1
目录说明:
data:数据集
自行将images文件夹添加到data目录下
source:源码
Coelho2009_ISBI_NuclearSegmentation:
,该源码可以运行通与最新jug兼容.
但主要还是通过以下方法对源码进行跟踪.
环境准备:
在机器上安装好python,pip包管理工具
在该根目录下直接安装所需的软件依赖包:
$sudo apt-get install libfreeimage-dev #解决FreeImage报错,
$sudo apt-get install libmagick++-dev
主要是应为缺少freeimage开发库.
使用如下命令安装相关python依赖包:
pip install -r requirements.txt (#numpy cast bug已解决)
代码运行:
进入到sources目录后,
运行以下语句
python jug
2022-04-21 21:38:24
24KB
1
深度学习计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割 计算机视觉.pdf
2022-04-21 19:09:57
1MB
OSTU算法实现背景差分的自适应分割算法,有完整的代码和论文(opencv).rar
2022-04-21 14:05:20
4.3MB