.png){kind=icon}
返回
Object detection and approximate boundary extraction using deep learning-based patch classification and curve evolution
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-026-04786-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为了在图像中定位物体，通常需要在缺乏详细边界信息的边界框（物体检测）和重型且密集的像素级掩码（分割）之间进行选择。为了在这两种范式之间提供一种折中方法，本文提出了一种PG-Curve框架，该框架将深度学习与经典轮廓演化技术相结合，以多边形形式发现物体边界。所提出的方法主要分为两个阶段：第一阶段，卷积神经网络估计图像各块中物体存在的概率；第二阶段，主动轮廓演化机制利用这些概率搜索实际物体边界。采用概率映射消除了对噪声的敏感性，并无需将初始曲线放置在接近真实物体边界的位置。此外，由于基于块的设计，无需进行亚像素插值计算。在评估数据集上的定量评估表明，PG-Curve在保持物体边界重建良好几何精度的同时，实现了高处理速度和近实时性能。总体而言，PG-Curve提供了一种快速、轻量、基于多边形的物体边界提取替代方案，且不依赖昂贵的像素级训练掩码。
Keyword:
Object detection
Curve evolution
Convolutional neural networks (CNNs)
Deep learning
Patch-based classification
期刊
IF:
2.9
论文数:
4.7K
被引数:
6.5K
机构
暂无机构信息
引用论文
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分享收藏分享收藏Development and evolution of YOLO in object detection: A surveyYOLO在目标检测中的发展与演进：综述.png)
Neurocomputing
NeurocomputingIF6.5
PREAI
分享收藏
DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFsDeepLab: 使用深度卷积网络、Atrous卷积和全连接crf进行语义图像分割OAAI
OAAI分享收藏
查看更多内容