A Simple Unsupervised Color Image Segmentation Method based on MRF-MAP
Beihang University(北京航空航天大学)
彩色图像分割是图像处理领域的一个重要课题。MRF-MAP是无监督分割方法中常用的一种,但其性能远远落后于最近的交互式用户输入监督分割工具。此外,现有的相关无监督方法也存在效率低,陷入局部最优的风险高的问题,因为MRF-MAP目前是通过具有不准确的初始颜色分布模型的迭代框架来求解的。为了解决这些问题,信中设计了一种有效的方法来计算能量函数近似在非迭代的风格,并提出了一种新的二进制分割算法的基础上略有调整的Lanczos eigensolver。实验结果表明,与现有的两种分割方法相比,该算法具有较好的分割效果。
2012-02-20 cs.CV
What Color is the Sky (for a non-human) ?
本文提出一种计算任意视觉系统单色同色异谱的方法,并利用多种物种的光谱灵敏度数据,发现天空光在不同物种中的单色同色异谱主波长差异显著。
2026-06-27 cs.CV
Comparison of Semantic Segmentation Approaches for Horizon/Sky Line Detection
University of West Bohemia(西波西米亚大学);University of Nevada, Reno(内华达大学里诺分校);Brno University of Technology(布尔诺理工大学)
地平线或天际线检测在山地视觉地理定位中起着至关重要的作用,然而最近提出的视觉地理定位方法大多依赖于\textbf{user-in-the-loop}天际线检测方法。完全自主地检测这样的分割边界肯定是这些定位方法的一个进步。本文提供了一个定量的比较四个这样的方法自主地平线/天空线检测广泛的数据集。具体来说,我们提供了四个最近提出的分割方法之间的比较;一个明确针对地平线检测\cite{Ahmad15}的问题,第二集中在视觉地理定位,但依赖于准确检测天际线\cite{Saurer16}和其他两个提出一般语义分割-全卷积网络(FCN)\cite{Long15}和SegNet \cite{Badrinarayanan15}。前两种方法中的每一种都是在由大约200幅图像组成的公共训练集\cite{Baatz12}上训练的,而第三和第四种方法的模型是通过使用相同数据集的迁移学习针对天空分割问题进行微调的。每种方法都在广泛的测试集(约3K图像)上进行测试,涵盖各种具有挑战性的地理,天气,光照和季节条件。我们报告的平均精度和平均绝对像素误差为每个配方。
2018-05-21 cs.CV
Semi Automatic Color Segmentation of Document Pages
LIRIS UMR CNRS 5205- INSA Lyon(法国国家科学研究中心LIRIS实验室 - 里昂国立应用科学学院);ITESOFT(ITESOFT公司)
本文提出了一种半自动的彩色文档分割方法。实际应用是致力于行政文件分割。在这些文档中,就像在许多其他情况下一样,颜色具有语义意义:然后可以识别某些特定区域,如手动注释,橡皮图章或彩色突出显示。第一步,用户控制的学习所需的颜色计划是在几个样本文件。然后可以对更大的集合进行自动处理。我们的实验显示了非常有趣的结果,具有非常有竞争力的处理时间。
2016-09-27 cs.CV
SkySeg: Collaborative Onboard Semantic Segmentation with Heterogeneous UAVs in the Wild
Harbin Institute of Technology(哈尔滨工业大学);ETH Zurich(苏黎世联邦理工学院);Huawei Cloud Algorithm Innovation Lab(华为云算法创新实验室)
针对资源受限无人机在动态环境中实时语义分割的挑战,提出SkySeg异构多无人机空-空协作框架,结合高效信息融合推理与跨设备测试时自适应策略,实现低成本传感器下的机载分割,加速约3.6倍并提升精度5.91%。
2026-05-20 cs.CV
Joint Color-Spatial-Directional clustering and Region Merging (JCSD-RM) for unsupervised RGB-D image segmentation
Laboratoire Hubert Curien, Université Jean Monnet(让·莫奈大学于贝尔·居里实验室)
深度成像传感器的最新进展提供了对与颜色同步的深度(称为RGB-D图像)的容易访问。本文提出了一种无监督的室内RGB-D图像分割和分析方法。我们考虑一个统计图像生成模型的基础上的颜色和几何的场景。我们的方法包括一个联合颜色空间方向聚类方法,然后统计平面区域合并方法。我们在纽约大学深度数据库上评估了我们的方法,并将其与现有的无监督RGB-D分割方法进行了比较。结果表明,该方法与现有方法相比,计算时间更短。此外,它打开了有趣的视角,以无监督的方式融合颜色和几何形状。
2015-09-06 cs.CV
Fully automatic computer-aided mass detection and segmentation via pseudo-color mammograms and Mask R-CNN
School of Information Technology and Electrical Engineering, University of Queensland(昆士兰大学信息技术与电气工程学院)
乳腺摄影肿块检测和分割通常作为连续和单独的任务执行,在先前的研究中,分割通常仅在手动确认的真阳性检测上执行。我们提出了一个完全集成的计算机辅助检测(CAD)系统,用于同时进行乳房X线摄影肿块检测和分割,而无需用户干预。所提出的CAD仅包括伪彩色图像生成和基于Mask R-CNN的质量检测分割阶段。基于多尺度形态筛选将灰度乳房X线照片转换为伪彩色图像,其中增强了团块状图案以提高Mask R-CNN的性能。然后采用Mask R-CNN的迁移学习来同时检测和分割伪彩色图像上的肿块。在公共数据集INbreast上进行评估,该方法通过在每张图像0.9个假阳性时实现0.90的平均真阳性率和0.88的平均Dice相似性指数来进行质量分割,从而优于最先进的方法。
2019-10-19 cs.CV
Adversarial Segmentation Loss for Sketch Colorization
Hacettepe University(哈斯特帕大学);Middle East Technical University(中东技术大学)
我们介绍了一种新的方法,从草图或边缘地图生成彩色图像。目前的方法要么需要某种形式的额外的用户指导,要么仅限于“配对”翻译方法。我们认为,分割信息可以提供有价值的指导草图彩色化。为此,我们建议利用语义图像分割,提供了一个通用的全景分割网络,以创建一个额外的对抗性损失函数。我们的损失函数可以集成到任何基线GAN模型。我们的方法并不局限于包含分割标签的数据集,它可以被训练用于“不成对”的翻译任务。我们使用定性,定量和用户研究分析,在四个不同的数据集上显示了我们的方法在室内,室外和儿童书籍插图图像场景级上的有效性。我们的模型将其基线提高到FID指标的35个点。我们的代码和预训练模型可以在https://github.com/giddyyupp/AdvSegLoss上找到。
2021-06-13 cs.CV
Panoptic-Depth Color Map for Combination of Depth and Image Segmentation
National Taiwan University(国立台湾大学)
针对自动驾驶场景,提出深度学习网络Panoptic-DepthLab,通过在分割网络中加入深度估计分支实现带深度的实例分割,在Cityscape数据集验证有效,为多任务结合提升自动驾驶安全提供新思路。
2023-08-24 cs.CV
Hybridization of Otsu Method and Median Filter for Color Image Segmentation
Irbid National University(伊尔比德国立大学)
本文提出了一种新的彩色图像分割算法。该算法结合了现有的两种方法,在这种新的方式来获得一个显着的方法来分割的彩色图像到显着的区域。在第一阶段,将传统的用于灰度通道图像分割的Otsu方法分别应用于每个R、G和B通道,以确定每个通道的合适的自动阈值。之后,新的修改后的通道再次整合,以制定一个新的彩色图像。产生的图像受到某种扭曲。为了消除这种失真,第二阶段是中值滤波,平滑图像,增加分割区域。这个过程在肉眼看来非常重要。在多种测试图像上的实验结果支持该算法。
2013-05-05 cs.CV
Improving Sketch Colorization using Adversarial Segmentation Consistency
Hacettepe University(哈斯特帕大学);Ecole des Ponts(巴黎路桥学院);Univ Gustave Eiffel(古斯塔夫·埃菲尔大学);CNRS(法国国家科学研究中心);Middle East Technical University(中东技术大学)
我们提出了一种新的方法来产生彩色图像的草图。草图着色中的当前解决方案需要额外的用户指令或者限于“配对”翻译策略。我们利用语义图像分割从一个通用的全景分割网络生成一个额外的对抗损失函数。所提出的损失函数与任何GAN模型兼容。我们的方法不限于带有分割标签的数据集,也可以应用于不成对的翻译任务。使用定性和定量分析,并根据用户研究,我们证明了我们的方法对四个不同的图像数据集的有效性。在FID指标上,我们的模型将基线提高了35个点。我们的代码,预训练模型,脚本,以产生新引入的数据集和相应的草图图像可在https://github.com/giddyyupp/AdvSegLoss。
2023-01-20 cs.CV
Voronoi Region-Based Adaptive Unsupervised Color Image Segmentation
University of Manitoba(曼尼托巴大学);Adiyaman University(阿迪亚曼大学)
彩色图像分割是许多计算机视觉和模式识别应用中的关键步骤。提出了一种基于Voronoi区域的自适应无监督聚类方法,用于解决彩色图像分割问题。该方法在Dirichlet Tessellated图像(也称为沃罗诺伊图)的Voronoi区域内进行区域分裂和合并,提高了聚类数和聚类中心估计过程的效率和准确性。此外,所提出的方法使用聚类质心邻近合并邻近的聚类,以找到最终的聚类和聚类质心的数量。与现有的自适应无监督聚类图像分割算法相比,该方法采用K-means聚类算法代替模糊C-means算法来寻找最终的分割图像。在三个不同的无监督图像分割评价基准上对该方法进行了评价,并将其结果与其他两种自适应无监督聚类图像分割算法进行了比较。实验结果表明,该方法在图像分割质量方面优于现有算法。此外,所提出的方法的结果在最低的平均执行时间每幅图像相比,现有的方法在这篇文章中报道。
2016-04-02 cs.CV
Convex Color Image Segmentation with Optimal Transport Distances
Université de Caen(卡昂大学);CNRS(法国国家科学研究中心);Université de Bordeaux(波尔多大学)
这项工作是关于使用正则化的最佳运输距离凸,直方图为基础的图像分割。在所考虑的框架中,固定的样本直方图定义了竞争中的两个区域的统计特征的先验。在本文中,我们研究了使用各种基于运输的成本函数作为差异的措施,并依靠原始对偶算法来解决所获得的凸优化问题。
2015-03-16 cs.CV
Leveraging Adaptive Color Augmentation in Convolutional Neural Networks for Deep Skin Lesion Segmentation
Escola Politècnica Superior, Universitat de Girona(赫罗纳大学高等理工学院)
皮肤镜图像中皮肤病变的全自动检测可以促进恶性黑色素瘤和非黑色素瘤皮肤癌的早期诊断和抑制。尽管卷积神经网络是一种强大的解决方案,但它们受到带注释的皮肤镜筛查图像的照明光谱的限制,其中颜色是一个重要的区分特征。在本文中,我们提出了一个自适应的颜色增强技术,以放大数据的表达和模型的性能,同时调整色差和饱和度,以尽量减少使用合成数据的风险。通过深度可视化,我们定性地识别和验证了网络学习到的用于区分皮肤病变和正常皮肤组织的语义结构特征。整个系统在ISIC 2018分割测试集上实现了0.891的骰子比,灵敏度为0.943,特异性为0.932。
2020-10-31 cs.CV
The Four Color Theorem for Cell Instance Segmentation
School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen), China(计算机科学与技术学院,哈尔滨工业大学(深圳));School of Science, Harbin Institute of Technology (Shenzhen), China(科学学院,哈尔滨工业大学(深圳));Department of Electrical and Computer Engineering, National University of Singapore, Singapore(电气与计算机工程系,新加坡国立大学)
针对紧密接触细胞难区分及现有实例分割框架难平衡性能与效率的问题,提出受四色定理启发的四色编码细胞实例分割方法,结合渐近训练等策略解决训练不稳定问题,达到当前最优性能。
2025-06-11 cs.CV
A Weighted Difference of Anisotropic and Isotropic Total Variation for Relaxed Mumford-Shah Color and Multiphase Image Segmentation
University of California at Irvine(加州大学欧文分校);Whittier College(惠蒂尔学院);University of Texas at Dallas(德克萨斯大学达拉斯分校)
在一类分段常数图像分割模型中,我们提出将各向异性和各向同性全变差(AITV)的加权差正则化图像中的分区边界。特别是,我们取代总变分正则化的Chan-Vese分割模型和模糊区域竞争模型的建议AITV。为了处理AITV的非凸性质,我们应用凸差分算法(DCA),其中子问题可以通过原始-对偶混合梯度法与线性插值来最小化。分析了DCA格式的收敛性。此外,一个推广到彩色图像分割进行了讨论。在数值实验中,我们比较了所提出的模型与经典的凸方法和两阶段分割方法(平滑,然后阈值)在各种图像上,表明我们的模型是有效的图像分割和鲁棒性的脉冲噪声。
2021-07-18 cs.CV
ColorMapGAN: Unsupervised Domain Adaptation for Semantic Segmentation Using Color Mapping Generative Adversarial Networks
Université Côte d’Azur(蔚蓝海岸大学);Inria(法国国家信息与自动化研究所);LuxCarta Technology(勒克斯卡塔科技公司)
由于大气影响、获取差异等多种原因,不同地理位置的卫星图像光谱波段之间往往存在较大差异。训练数据和测试数据的光谱分布之间的大偏移导致当前技术水平的监督学习方法输出不令人满意的图。我们提出了一种新的语义分割框架,是强大的这种转变。所提出的框架的关键组成部分是颜色映射生成对抗网络(ColorMapGAN),它可以生成与训练图像语义完全相同的假训练图像,但其光谱分布与测试图像的分布相似。然后,我们使用假图像和训练图像的地面实况来微调已经训练好的分类器。与现有的生成对抗网络(GANs)相反,ColorMapGAN中的生成器没有任何卷积层或池化层。它通过仅执行一个逐元素矩阵乘法和一个矩阵加法运算来学习将训练数据的颜色转换为测试数据的颜色。由于ColorMapGAN的架构简单但功能强大的设计,所提出的框架优于现有的方法,在准确性和计算复杂性方面都有很大的差距。
2019-09-29 cs.CV
Learning color space adaptation from synthetic to real images of cirrus clouds
Zhejiang University(浙江大学)
云分割在气候建模的图像分析中起着至关重要的作用。手动标记用于云分割的训练数据是耗时且容易出错的。由于像素级标签的自然获取,我们探索用合成数据来训练分割网络。然而,合成图像和真实图像之间的域差距显着降低了训练模型的性能。我们提出了一种颜色空间自适应方法来弥补这一差距,通过训练一个颜色敏感的生成器和训练器,使合成数据适应颜色空间中的真实图像。我们采用一组封闭形式的操作来进行颜色空间调整,同时保留标签,而不是通过一般的卷积核来转换图像。我们还构建了一个合成到真实的卷云数据集SynCloud,并展示了卷云语义分割任务的适应效果。利用我们自适应的合成数据来训练语义分割,当应用于真实图像时,我们实现了6:59%的改进,优于其他方法。
2020-11-17 cs.CV
Impact of color and mixing proportion of synthetic point clouds on semantic segmentation
Tsinghua University(清华大学);University of Cambridge(剑桥大学)
本文通过实验探究合成点云的颜色和混合比例对深度学习语义分割的影响,发现真实颜色和高于70%的混合比例能提升性能,并可用于训练检测大型平坦建筑元素的模型。
2025-01-18 cs.CV
Rough Set Based Color Channel Selection
Nanyang Technological University(南洋理工大学);Advanced Digital Sciences Center (ADSC)(高级数字科学中心);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
彩色通道的选择是准确分割天空和云的图像从地面天空相机获得的关键。云分割中的大多数现有工作使用基于阈值的方法,该方法基于以自组织方式选择的颜色通道。在这封信中,我们提出了使用粗糙集的颜色通道选择在可见光图像。我们提出的方法评估颜色通道对分割的贡献,并确定最有效的。
2016-11-03 cs.CV
Single Image Dehazing Algorithm Based on Sky Region Segmentation
Nanjing Tech University(南京工业大学);Deakin University(迪肯大学)
针对暗通道先验算法在天空区域去雾方面的不足,提出了一种基于区域分割的混合图像去雾方法。该方法的初步阶段侧重于在雾图像中的天空和非天空区域的分割,以嵌入的信心的Meanshift和边缘检测的优点。在第二阶段,采用改进的暗通道先验算法对非天空区域进行去雾。最终,天空区域由DehazeNet算法处理,该算法依赖于深度学习卷积神经网络。仿真结果表明,本文提出的混合方法解决了雾天图像中天空区域颜色失真的问题。该方法大大提高了图像质量指标,包括熵信息,可见度比的边缘,平均梯度,和饱和度的百分比与一个非常快的计算时间,这是一个很好的指示该模型的优良性能。
2020-07-10 cs.CV eess.IV
AsyInst: Asymmetric Affinity with DepthGrad and Color for Box-Supervised Instance Segmentation
Tongji University(同济大学);The City University of New York(纽约城市大学);Johns Hopkins University(约翰斯·霍普金斯大学);Tsinghua University(清华大学)
弱监督实例分割是一个具有挑战性的任务。现有的方法通常使用边界框作为监督,并使用正则化损失项(例如用于实例分割的成对颜色亲和度损失)来优化网络。通过系统分析,我们发现常用的成对亲和度损失有两个局限性:(1)它适用于颜色亲和度,但导致其他模态(如深度梯度)的性能较差,(2)原始亲和度损失并不能阻止预期的琐碎预测,但实际上加速了这个过程,因为亲和度损失项是对称的。为了克服这两个限制,在本文中,我们提出了一种新的不对称的亲和力损失,它提供了对平凡的预测和概括以及从不同的方式与亲和力损失的惩罚。在提出的非对称亲和力损失的情况下,我们的方法在Cityscapes数据集上的性能优于最先进的方法,并且在掩模AP中的性能优于我们的基线方法3.5%。
2022-12-07 cs.CV
Class-independent sequential full image segmentation, using a convolutional net that finds a segment within an attention region, given a pointer pixel within this segment
Vaya Vision(瓦亚视觉)
这项工作研究了使用全卷积网络(FCN)来找到图像片段,给定此片段区域内的像素。该网络接收图像、图像中的点和感兴趣区域(RoI)掩模。净输出是点所在段的二进制掩码。可以找到片段的区域包含在输入RoI掩码中。完整的图像分割可以通过在图像上逐个区域地顺序运行该网络,并将输出片段拼接到单个分割图中来实现。这种简单的方法解决了图像分割的两个主要挑战:1)分割未包含在训练集中的未知类别。2)分割单个对象实例(事物)和非对象(素材),如天空和植被。因此,如果指针像素位于组中的一个人内,则网络将输出覆盖该个人的掩码;如果指针点位于天空区域内,则网络返回图像中的天空区域。即使在训练集中没有出现天空或人的例子,这也是正确的。该网络在COCO panoptic数据集上进行了测试和训练,并实现了67%的IOU用于分割熟悉的类(这是网络训练集的一部分),53%的IOU用于分割不熟悉的类(不包括在训练中)。
2019-02-23 cs.CV
Color Invariant Skin Segmentation
Virginia Tech(弗吉尼亚理工大学);Virginia Tech Transportation Institute(弗吉尼亚理工交通研究所)
本文研究了在不依赖于颜色信息的情况下自动检测图像中的人体皮肤的问题。这项工作的主要动机是在整个肤色范围内实现一致的结果,即使使用的训练数据集明显偏向于较浅的肤色。以前的皮肤检测方法几乎完全使用颜色线索,我们提出了一种新的方法,在没有这些信息的情况下表现良好。这项工作的一个关键方面是通过在训练期间战略性地应用增强来修复数据集,目标是颜色不变特征学习以增强泛化。我们已经证明了使用两种架构的概念,实验结果表明,在基准ECU数据集中,大多数Fitzpatrick肤色的精度和召回率都有所提高。我们进一步使用RFW数据集测试了该系统,以表明所提出的方法在不同种族之间的表现更加一致,从而减少了基于肤色的偏见的机会。为了证明我们的工作的有效性,进行了广泛的实验,灰度图像以及图像下获得的无约束照明和人工过滤器。源代码:https://github.com/HanXuMartin/Color-Invariant-Skin-Segmentation
2022-04-22 cs.CV
ArrowPose: Segmentation, Detection, and 5 DoF Pose Estimation Network for Colorless Point Clouds
SDU Robotics, Mærsk Mc-Kinney Møller Institute University of Southern Denmark(SDU机器人学院、马士基麦克金尼莫勒研究所、南丹麦大学)
本文提出ArrowPose网络,通过预测物体中心点和顶点,从无色点云中完成检测、分割与5 DoF位姿估计,在基准上达到最优且推理仅需250毫秒。
2025-06-10 cs.CV
Adversarial Stain Transfer to Study the Effect of Color Variation on Cell Instance Segmentation
CEA(法国原子能与替代能源委员会);CNRS(法国国家科学研究中心);WITSEE
组织学图像中的染色颜色变化是由多种因素引起的,这不仅对病理学家的视觉诊断而且对细胞分割算法都是一个挑战。为了消除颜色变化,已经提出了许多染色归一化方法。然而,大多数设计用于苏木精和伊红染色图像,并且在免疫组织化学染色图像上表现不佳。目前的细胞分割方法系统地应用染色归一化作为预处理步骤,但颜色变化带来的影响尚未定量研究。在本文中,我们产生了五组不同颜色的NeuN染色图像。我们应用了一种深度学习图像处理方法来执行组织学图像组之间的颜色转移。最后,我们改变了分割集的颜色,并量化了颜色变化对细胞分割的影响。结果证明了在后续分析之前进行颜色归一化的必要性。
2022-10-26 cs.CV eess.IV
Incorporating Luminance, Depth and Color Information by a Fusion-based Network for Semantic Segmentation
National Chiao Tung University(国立交通大学);UC San Diego(加州大学圣地亚哥分校)
由于近年来深度卷积网络的成功,语义分割取得了令人鼓舞的进展。同时,深度传感器现在变得普遍,因此可以更容易地获取深度图。然而,有几个研究,专注于RGB-D语义分割任务。利用深度信息有效性来提高性能是一个挑战。在本文中,我们提出了一种新的解决方案LDFNet,它结合了亮度,深度和颜色信息的融合为基础的网络。它包括一个子网络来处理深度图,并采用亮度图像来辅助处理中的深度信息。LDFNet在Cityscapes数据集上的表现优于其他最先进的系统,其推理速度比大多数现有网络都快。实验结果表明了该多模态融合网络的有效性及其在实际应用中的潜力。
2019-05-19 cs.CV
DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation
本文提出分布感知重着色(DARC)模型,通过重着色和鲁棒实例归一化方法,解决细胞核分割中因前景-背景比例变化引起的域差距问题,并在多个数据集上验证了有效性。
2023-09-01 cs.CV
Cars Can't Fly up in the Sky: Improving Urban-Scene Segmentation via Height-driven Attention Networks
LG Electronics(LG电子);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Korea University(高丽大学);KAIST(韩国科学技术院)
本文利用城市场景图像的内在特征,提出了一个通用的附加模块,称为高度驱动的注意力网络(HANet),用于改善城市场景图像的语义分割。它根据像素的垂直位置有选择地强调信息特征或类别。在城市场景图像的水平分割部分中,像素级分布彼此之间存在显著差异。同样,城市场景图像也有其独特的特征,但大多数语义分割网络并没有在架构中反映这些独特的属性。建议的网络架构采用的能力,利用属性,有效地处理城市场景数据集。我们验证了一致的性能(mIoU)增加的各种语义分割模型在两个数据集时,采用HANet。这种广泛的定量分析表明,将我们的模块添加到现有模型中是简单且具有成本效益的。我们的方法在Cityscapes基准测试中实现了新的最先进的性能,在基于ResNet-101的分割模型中具有很大的优势。此外,我们表明,所提出的模型是一致的,在城市场景中观察到的事实,通过可视化和解释的注意力地图。我们的代码和训练模型可在https://github.com/shachoi/HANet上公开获取
2020-04-07 cs.CV
Resolution Enhancement of Range Images via Color-Image Segmentation
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
提出了一种深度图像超分辨率的方法。我们的方法利用LR图像作为HR网格上的稀疏样本的解释。基于这种解释,我们证明了我们最近报道的方法,利用注册的彩色图像从稀疏的距离数据重建密集的距离图像,可以应用于距离图像的分辨率增强的任务。我们的方法只使用一个单一的彩色图像,除了在超分辨率过程中的距离观察。使用所提出的方法,我们证明了超分辨率结果的大因素(例如4)具有良好的定位精度。
2012-10-28 cs.CV
Multi-label Cloud Segmentation Using a Deep Network
Trinity College Dublin(都柏林大学三一学院);Nanyang Technological University (NTU)(南洋理工大学);National University of Singapore (NUS)(新加坡国立大学)
不同的经验模型已被开发用于云检测。人们越来越有兴趣为此目的使用地面天空/云图像。存在执行云的二进制分割的若干方法。在本文中,我们提出使用深度学习架构(U-Net)来执行多标签天空/云图像分割。所提出的方法优于最近的文献的大幅度。
2019-03-15 cs.CV
Automatic Color Image Segmentation Using a Square Elemental Region-Based Seeded Region Growing and Merging Method
提出了一种基于正方形基本区域的种子区域生长与合并的彩色图像自动分割方法。我们的分割方法包括三个步骤:生成种子区域,合并的区域,并应用像素的边界确定算法得到的多边形区域。我们的方法的主要特点如下:使用方形的基本区域,而不是像素作为处理单元,种子生成方法的基础上增强的梯度值,种子区域生长方法利用局部梯度值,区域合并方法使用的相似性度量,包括同质性距离的基础上Tsallis熵,和区域合并的终止条件,使用估计所需的区域数量。采用正方形区域作为处理单元,大大降低了算法的时间复杂度,使算法性能稳定。实验结果表明,我们的方法对各种自然图像(包括纹理严重的区域)表现出稳定的性能,并且使用相同的参数值可以产生良好的分割结果。我们的方法的结果是相当可比的,在某些方面优于现有的算法。
2017-11-26 cs.CV
Discriminant Learning-based Colorspace for Blade Segmentation
Institut de Robòtica i Informàtica Industrial, CSIC-UPC(机器人与信息技术研究所);Wind Power LAB(风能实验室)
本文提出颜色空间判别分析(CSDA)算法,通过优化颜色表示提升叶片分割的准确性,实验表明定制预处理对领域特定分割至关重要。
2026-01-20 cs.CV cs.LG
Technical Report for ICRA 2025 GOOSE 2D Semantic Segmentation Challenge: Leveraging Color Shift Correction, RoPE-Swin Backbone, and Quantile-based Label Denoising Strategy for Robust Outdoor Scene Understanding
Institute of Intelligent Systems(智能系统研究所);College of Artificial Intelligence, National Yang Ming Chiao Tung University(人工智能学院,阳明交通大学);Institute of Data Science, National Cheng Kung University(数据科学研究所,成功大学)
面向GOOSE户外九类2D语义分割挑战,提出融合RoPE-Swin、色偏校正与高误差像素分位数去噪的框架,在官方测试集取得0.848 mIoU。
2025-05-11 cs.CV
High-Dynamic-Range Imaging for Cloud Segmentation
Nanyang Technological University(南洋理工大学);Advanced Digital Sciences Center(高级数字科学中心);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);ADAPT SFI Research Centre(ADAPT科学基金会研究中心);Trinity College Dublin(都柏林大学三一学院)
从地面天空相机获得的天空/云图像通常使用具有宽视场的鱼眼镜头捕获。然而,天空在亮度方面表现出大的动态范围,超过传统相机可以捕获的范围。因此,难以用常规相机在Single Shot中捕获整个场景的细节。在大多数情况下,环日区域曝光过度,而地平线附近的区域曝光不足。这使得对这样的图像的云分割变得困难。在本文中,我们提出了HDRCloudSeg -一种有效的云分割方法,使用高动态范围(HDR)成像的基础上,多曝光融合。我们描述了HDR图像生成过程,并向社区发布了一个新的数据库进行基准测试。我们提出的方法是第一个使用HDR辐射图的云分割,并取得了很好的效果。
2018-03-02 cs.CV
Efficient Multi-branch Segmentation Network for Situation Awareness in Autonomous Navigation
School of Naval Architecture and Ocean Engineering, Jiangsu University of Science and Technology(江苏科技大学船舶与海洋工程学院)
针对无人水面艇自主导航中海天分割难题,构建多视角数据集并发现海天分布与行位置高度相关,据此提出带行位置编码模块的三分支语义分割网络,在不显著降低计算速度的前提下显著提升了海天区分能力。
2024-03-30 cs.CV
Graph Based Over-Segmentation Methods for 3D Point Clouds
Technion - Israel Institute of Technology(以色列理工学院)
过分割或超像素生成是许多计算机视觉应用的常见初始阶段。新的采集技术能够捕获包含颜色和几何信息的3D点云。这个3D信息引入了一个新的概念变化,可以用来改善过度分割的结果,主要使用颜色信息,并生成我们称之为超级点的点簇。我们考虑了各种可能的3D扩展的局部变化(LV)图为基础的过分割算法,并彻底比较它们。我们考虑不同的替代方案,用于构建连接图,用于分配边权重,以及用于定义合并标准,现在必须考虑几何信息,而不仅仅是颜色。在此评估之后,我们推导出一种新的通用算法,用于过分割的三维点云。我们称这种新算法为点云局部变分(PCLV)。新的过分割算法的优点是证明在室外和杂乱的室内场景。所提出的方法相比,国家的最先进的2D和3D过分割算法的性能分析显示出显着的改善,根据共同的性能指标。
2017-02-14 cs.CV
Shallow Attention Network for Polyp Segmentation
The Chinese University of Hong Kong(Shenzhen)(香港中文大学(深圳));Shenzhen Research Institute of Big Data(深圳大数据研究院);The Third Affiliated Hospital of Shenzhen University(Luohu Hospital Group)(深圳大学第三附属医院(罗湖医院集团));University of Science and Technology of China(中国科学技术大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
准确的息肉分割对于大肠癌的诊断具有重要意义。然而,即使使用强大的深度神经网络,仍然存在阻碍息肉分割发展的三大挑战。(i)在不同条件下收集的样本显示不一致的颜色,导致特征分布间隙和过拟合问题;(ii)由于重复的特征下采样,小息肉很容易退化;(iii)前景和背景像素不平衡,导致有偏见的训练。为了解决上述问题,我们提出了用于息肉分割的浅注意力网络(SANet)。具体来说,为了消除颜色的影响,我们设计了颜色交换操作来解耦图像内容和颜色,并迫使模型更多地关注目标形状和结构。此外,为了提高小息肉的分割质量,我们提出了浅层注意模块来过滤掉浅层特征的背景噪声。由于浅层特征的高分辨率,小息肉可以正确保存。此外,为了缓解小息肉严重的像素不平衡,我们提出了一个概率校正策略(PCS)在推理阶段。请注意,即使PCS不参与训练阶段,它仍然可以在有偏差的模型上工作,并持续提高分割性能。五个具有挑战性的基准测试的定量和定性实验结果证实,我们提出的SANet优于以前的国家的最先进的方法,由一个大的利润,并达到约72 FPS的速度。
2021-08-02 cs.CV
Efficient Hierarchical Graph-Based Segmentation of RGBD Videos
Georgia Institute of Technology(佐治亚理工学院);Microsoft Robotics(微软机器人学(Microsoft Robotics));Microsoft(微软(Microsoft))
我们提出了一个有效的和可扩展的算法分割3D RGBD点云结合深度,颜色和时间信息,使用多级,分层图形为基础的方法。我们的算法在几个点云上处理一个移动窗口,在一个图上对相似的区域进行分组,从而导致初始的过度分割。然后,这些区域合并,通过最小生成树算法使用凝聚聚类产生树状图。在分层树的给定级别进行二分图匹配,通过在任意长的时间段内保持区域身份来产生点云的最终分割。我们表明,一个多级分割的深度,然后颜色产生更好的结果比深度和颜色的线性组合。由于其增量处理,我们的算法可以处理任何长度的视频和流管道。该算法的能力,以产生强大的,高效的分割证明了许多具有挑战性的序列,从我们自己的以及公共RGBD数据集的实验结果。
2018-01-26 cs.CV
Superpixel based Class-Semantic Texton Occurrences for Natural Roadside Vegetation Segmentation
Central Queensland University(中央昆士兰大学)
从路边数据中分割植被是一个领域,在目前的研究中得到了相对较少的关注,但可以在广泛的现实世界中的应用,如道路安全评估和植被状况监测的巨大潜力。在本文中,我们提出了一种新的方法,产生类语义的颜色纹理元和聚合超像素的纹理元发生自然路边图像中的植被分割。像素级的类语义textons首先学习生成两个单独的集的词袋视觉词典的颜色和滤波器组纹理特征分别为每个对象类使用手动裁剪的训练数据。对于测试图像,首先将其过分割成一组均匀的超像素。提取每个超像素中所有像素的颜色和纹理特征,并使用最近距离度量将其进一步映射到学习的纹理基元之一,从而产生颜色和纹理纹理基元发生矩阵。使用线性混合方法在每个超像素上聚合颜色和纹理纹理基元的出现,并且使用简单而有效的多数投票策略最终实现分割。两个公共图像数据集的视频收集的交通运输部和主要道路(DTMR),昆士兰州,澳大利亚,和公共路边草数据集的评估显示所提出的方法的高精度。我们还证明了在现实世界的情况下,植被分割的方法的有效性。
2018-02-24 cs.CV
Co-Sparse Textural Similarity for Image Segmentation
Technische Universität München(慕尼黑工业大学)
我们提出了一种基于纹理和颜色信息的自然图像分割算法,该算法利用了凸多标签优化框架内的图像分割的共稀疏分析模型。作为该方法的一个关键组成部分,我们引入了一种新的纹理相似性度量,它建立在图像补丁的共同稀疏表示。我们提出了一种贝叶斯方法来合并纹理相似性与颜色和位置的信息。结合最近开发的凸多标签优化方法,这导致一个有效的算法,监督和无监督分割,这是很容易并行化的图形硬件。该方法在无监督分割中提供了有竞争力的结果,并在格拉茨基准上优于最先进的交互式分割方法。
2013-12-17 cs.CV
3D RoI-aware U-Net for Accurate and Efficient Colorectal Tumor Segmentation
Shanghai Jiao Tong University(上海交通大学);Imsight Medical Technology Co. Ltd.(深圳医诺智能科技有限公司);The Chinese University of Hong Kong(香港中文大学);Sun Yat-sen University Cancer Center(中山大学肿瘤防治中心)
从3D磁共振(MR)图像中分割结直肠癌区域是放射治疗的关键过程,其通常需要以劳动力、时间和可再现性为代价来精确描绘肿瘤边界。虽然基于深度学习的方法在3D图像分割任务中提供了良好的基线,但小的适用补丁大小限制了有效的感受野并降低了分割性能。此外,来自大的全体积3D图像的感兴趣区域(ROI)定位用作在速度、目标完整性、减少误报方面带来多个益处的在先操作。与基于滑动窗口或非联合定位分割的模型不同,我们提出了一种新的多任务框架,称为3D RoI感知U-网(3D RU-网),用于RoI定位和区域内分割,其中两个任务共享一个骨干编码器网络。通过编码器的区域建议,我们从编码器中裁剪多级ROI区域内特征,以形成一个GPU内存高效的解码器,用于细节保留分割,从而扩大适用的体积大小和有效的感受野。为了有效地训练模型,我们设计了一个Dice制定的损失函数的全球到本地的多任务学习过程。基于效率的提高,我们继续使用具有不同感受野的集成模型,以实现更高的性能,并花费少量额外的计算开销。在64个癌症病例上进行了广泛的实验,并进行了四重交叉验证,结果显示在准确性和效率方面优于传统框架。总之,所提出的方法具有巨大的潜力,扩展到其他3D对象分割任务的医学图像,由于其固有的普遍性。所提出的方法的代码是公开的。
2019-02-15 cs.CV
Segmentation of points of interest during fetal cardiac assesment in the first trimester from color Doppler ultrasound
Romanian Institute of Science and Technology(罗马尼亚科学技术研究所);University of Medicine and Pharmacy of Craiova(克拉约瓦医药大学)
本论文提出了一个初期的研究,使用传统的分割方法的基础上Zernike矩提取显着的功能帧的胎儿超声心动图从孕早期彩色多普勒检查。然后,基于距离的方法被用于所获得的指示符,以分类在正常心脏状况下应该存在的三个给定类别的帧。计算工具显示承诺在支持产科医生在筛选过程中的心脏视图的快速识别。
2019-09-26 cs.CV eess.IV
DooDLeNet: Double DeepLab Enhanced Feature Fusion for Thermal-color Semantic Segmentation
AnotherBrain(AnotherBrain公司)
在本文中,我们提出了一种新的方法之间的RGB和长波红外热图像的语义分割的驾驶感知任务的特征融合。我们提出了DooDLeNet,这是一个双DeepLab架构,具有用于热和颜色模态的专用编码器-解码器以及用于最终分割的共享解码器。我们结合两种策略的特征融合:置信度加权和相关加权。我们报告了MF数据集上最先进的平均IoU结果。
2022-04-21 cs.CV cs.LG eess.IV
CRC-SAM: SAM-Based Multi-Modal Segmentation and Quantification of Colorectal Cancer in CT, Colonoscopy, and Histology Images
Independent researcher(独立研究者)
本文提出CRC-SAM框架,实现跨结肠镜、CT和病理图像的结直肠癌分割,通过LoRA层实现高效领域迁移,实验显示在多个数据集上优于现有方法。
2026-04-25 cs.CV eess.IV
Automatic Skin Lesion Segmentation using Semi-supervised Learning Technique
VIT University(VIT大学);SSN College of Engineering(SSN工程学院)
皮肤癌是所有癌症中最常见的,每年有数百万皮肤癌病例得到治疗。治疗和治愈皮肤癌是很容易的,如果它是在早期诊断和治疗。在这项工作中,我们提出了一种自动技术,皮肤镜图像中的皮肤病变分割,这有助于皮肤癌类型的分类。该方法包括两个主要阶段(1)预处理和(2)分割使用半监督学习算法。在预处理阶段,利用滤波技术去除噪声,在分割阶段,基于聚类技术分割皮肤病变。采用K均值聚类算法对预处理后的图像进行聚类,并根据颜色特征对聚类后的图像进行病灶过滤。使用RGB颜色空间中的直方图计算从训练图像学习皮肤病变的颜色。训练图像从ISIC 2017挑战网站下载,并使用验证和测试集评估实验结果。
2017-03-13 cs.CV
Evaluating the Impact of Point Cloud Colorization on Semantic Segmentation Accuracy
Xi’an Jiaotong-Liverpool University(西交利物浦大学);CSIRO Mineral Resources(联邦科学与工业研究组织矿产资源部)
针对点云语义分割中RGB颜色误差影响未被量化的问题,提出统计方法评估两类颜色不准确对基于图像的点云分割的影响,发现其均会显著降低精度,为后续算法设计提供参考。
2024-10-09 cs.AI cs.CV cs.LG
Generalizing multistain immunohistochemistry tissue segmentation using one-shot color deconvolution deep neural networks
Roche Innovation Center Munich(罗氏慕尼黑创新中心);Technische Universität München(慕尼黑工业大学);SagivTech LTD.(SagivTech有限公司)
癌症免疫治疗生物标志物研究中的一个关键挑战是量化肿瘤活检的显微镜全载玻片图像中的模式变化。不同的细胞类型倾向于迁移到各种组织隔室中并形成可变的分布模式。药物开发需要对组织区室中和组织区室之间的各种生物标志物进行相关分析。为了实现这一点,组织载玻片由专家病理学家手动注释。组织载玻片的手动注释是劳动密集型、繁琐且容易出错的任务。这种注释过程的自动化可以提高准确性和一致性,同时减少工作量和成本,这将对药物开发工作产生积极影响。在本文中,我们提出了一种新的一次性彩色去卷积深度学习方法,用于自动分割和注释具有多种染色的数字化载玻片图像,将其分为肿瘤,健康组织和坏死组织。我们在药物开发的背景下解决这个问题,其中存在多种染色剂,组织和肿瘤类型,并研究这些图像人群的泛化解决方案。
2018-09-22 cs.CV
Saliency-based segmentation of dermoscopic images using color information
National Research Council, Institute for the Application of Calculus(国家研究委员会,计算应用研究所)
皮肤病变分割是黑色素瘤的有效非侵入性计算机辅助早期诊断的关键步骤之一。本文探讨如何颜色信息,除了显着性,可以用来确定色素性病变区域自动。与大多数现有的分割方法只使用的显着性,以区别于周围地区的皮肤病变,我们提出了一种新的方法,采用二值化过程加上新的感知标准,灵感来自人类的视觉感知,相关的显着性和颜色的输入图像数据分布的属性。作为改进所提出的方法的准确性的手段,分割步骤之前进行预处理,旨在减少计算负担,去除伪影,并提高对比度。我们已经评估了两个公共数据库,包括1497皮肤镜图像的方法。我们还比较了它的性能与经典的和最近的显着性为基础的方法明确设计的皮肤镜图像。定性和定量的评价表明,该方法是有前途的,因为它产生了准确的皮肤病变分割和表现令人满意的其他现有的基于显着性的分割方法相比。
2021-11-05 cs.CV eess.IV
Guided interactive image segmentation using machine learning and color based data set clustering
Leipzig University(莱比锡大学);IfADo - Leibniz Research Centre for Working Environment and Human Factors(莱布尼茨工作环境与人因研究中心);INRIA Paris(法国国家信息与自动化研究所巴黎中心);Sorbonne Université(索邦大学)
我们提出了一种新的方法,结合了基于机器学习的交互式图像分割,使用超体素与聚类方法的自动识别类似的彩色图像在大数据集,使指导重用的分类器。我们的方法解决了在生物和医学图像中普遍存在且通常不可避免的显著颜色变化的问题,这通常会导致分割和量化精度恶化,从而大大减少了必要的训练工作。这种效率的提高促进了大量图像的量化,从而使得能够针对高通量成像中的最新技术进步进行交互式图像分析。所提出的方法是适用于几乎任何类型的图像,并代表了一个有用的工具,图像分析任务一般。
2022-06-21 cs.CV eess.IV
Colorectal Cancer Tumor Grade Segmentation in Digital Histopathology Images: From Giga to Mini Challenge
Middle East Technical University(中东技术大学);Helmholtz Munich(慕尼黑海德堡医学研究院);Bio-totem Pte Ltd(Bio-totem有限公司);LIRMM, équipe ICAR, Univ. Montpellier, CNRS, France(里尔姆研究所,蒙彼利埃大学,法国国家科学研究中心);Univ. Nîmes, Place Gabriel Péri, France(尼姆大学,法国);Cicat-Occitanie, Montpellier, France(Occitanie地区,蒙彼利埃,法国);Thiqah Business Services Riyadh, Saudi Arabia(利雅得Thiqah商务服务,沙特阿拉伯);Shanghai University Shanghai 200444, China(上海大学);Nanjing Tech University, Nanjing, Jiangsu 211816, China(南京科技大学)
本研究为推动结直肠癌组织病理分级自动化,基于METU CCTGS数据集举办ICIP结直肠癌分级分割挑战赛,39支队伍中6支超越Swin Transformer基线,本文介绍挑战赛、数据集及顶尖方法。
2025-09-05 cs.CV
SiliCoN: Simultaneous Nuclei Segmentation and Color Normalization of Histological Images
Biomedical Imaging and Bioinformatics Lab, Machine Intelligence Unit, Indian Statistical Institute, Kolkata, India(生物医学影像与生物信息学实验室,人工智能单元,印度统计研究所,科拉卡特,印度)
本文提出深度生成模型 SiliCoN,利用截断正态混合先验与空间注意力实现组织学图像细胞核分割和颜色归一化的同步解耦学习。
2025-06-08 cs.AI cs.CV eess.IV
UniGS: Unified Representation for Image Generation and Segmentation
The University of California, Merced(加州大学默塞德分校);QQ Brower Lab, Tencent(腾讯QQ浏览器实验室);Wuhan Univeristy(武汉大学);Stability AI;Google Research(谷歌研究院);The University of Sydney(悉尼大学)
本文提出UniGS统一表示,利用颜色映射图表示实体级掩码,并结合位置感知调色板与渐进二分模块,使扩散模型同时支持图像生成、修复、指代分割和实体分割等多种任务。
2023-12-04 cs.CV
SegGPT: Segmenting Everything In Context
Beijing Academy of Artificial Intelligence(北京智源人工智能研究院);Zhejiang University(浙江大学);Peking University(北京大学)
提出 SegGPT 通用模型,将各类分割任务统一为上下文着色问题进行训练,通过上下文推理实现图像和视频中任意目标的分割,在多项任务中展现出强大的领域内外分割能力。
2023-04-06 cs.CV