.png){kind=icon}
返回
LEARNABLE BOUNDARY ENHANCED SOFTMAX LAYER BASED ON GRAY MORPHOLOGY FOR DATA-DRIVEN IMAGE SEGMENTATION
.png){kind=icon}
OA
AI
DOI：10.3934/ipi.2025041.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据驱动的分割模型本质上是一种像素级图像分类任务，它通常忽略了分割对象的总体几何结构。常用的编码器-解码器架构在降采样过程中可能会无意中忽略边界信息，导致分割效果不佳。因此，开发一种能够有效保留边界的数据驱动图像分割模型至关重要。这可以通过整合变分分割模型的边界约束（有助于保留边缘）以及数据驱动方法在提取场景特定特征方面的能力来实现。为此，我们利用传统的形态学算法展开一个可学习的边界提取模块，并将边界先验整合到软阈值动态（STD）模型的边界检测函数中，以防止边界像素的平滑化。由于STD模型是Softmax激活函数的变分解释，因此可以通过其迭代格式展开为网络模块进行最终分类，从而创建具有边界先验的数据驱动图像分割模型。在三个开放获取的医疗数据集上进行的实验表明，该模型有效保留了边界结构并提升了分割结果。最终验证了该模型的可行性和鲁棒性。
Keyword:
Image segmentation
morphology
image boundary
variational method
deep Learning
期刊
I
IF:
1.5
论文数:
61
被引数:
0
机构
引用论文
WM-DOVA maps for accurate polyp highlighting in colonoscopy: Validation vs. saliency maps from physicians在结肠镜检查中准确突出显示息肉的wm-dova地图: 医生的验证与显著性地图
PREAI
分享收藏An Integrated Micro- and Macroarchitectural Analysis of the Drosophila Brain by Computer-Assisted Serial Section Electron Microscopy.png)
PLoS Biology
OAAI
PLoS BiologyIF0
OAAI分享收藏Fronts propagating with curvature-dependent speed: Algorithms based on Hamilton-Jacobi formulations前沿以曲率相关的速度传播: 基于hamilton-jacobi公式的算法OAAI
OAAI分享收藏
查看更多内容