.png){kind=icon}
返回
Physical Regularization Loss: Integrating Physical Knowledge to Image Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-026-02776-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新颖的图像分割优化方法，该方法在分割过程中通过各向异性扩散方程引入物理约束。文中指出，当前大多数模型依赖数据驱动方法执行图像分割任务，需要大量高质量训练数据。当面临有限数据集或显著领域偏移时，这些模型往往难以学习全面特征，影响分割精度。此外，这些模型通常需要针对数据集进行特定架构调整，导致跨数据集性能不一致。为解决此问题，本文提出了一种新方法，引入基于各向异性扩散方程的新型正则项，并将其指定为物理正则化损失（PRL）函数。通过基于观测结果的PRL约束，PRL增强了图像分割模型的泛化和外推能力，提升了其整体性能。实验结果验证了PRL的理论可行性，本文还提出了一种高效的数值计算算法。所提方法在多种分割任务上表现出改进，包括城市场景分析Cityscapes、自然图像处理数据集Pascal VOC 201、医学成像应用（如皮肤科数据集ISIC 2017 & 2018）以及脑肿瘤分割数据集BraTS 2020。
Keyword:
Image Segmentation
Physical Regulation
Perona-Malik Equation
Deep Learning
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏分享收藏
查看更多内容