Deep Convolutional Neural Networks for Palm Fruit Maturity Classification
Kansas State University（堪萨斯州立大学）
本研究利用深度卷积神经网络（含ResNet50和InceptionV3的迁移学习）对棕榈果图像进行五级成熟度分类，在超8000张图像数据集上取得超85%的测试准确率，以优化收获决策。
2025-02-27 cs.AI cs.CV cs.LG
Automated Scoring of Graphical Open-Ended Responses Using Artificial Neural Networks
Boston College（波士顿学院）
免费绘画或图像作为响应的自动评分尚未用于大规模的学生成绩评估。在这项研究中，我们提出了人工神经网络来分类这些类型的图形反应，从基于计算机的国际数学和科学评估。我们正在比较卷积和前馈方法的分类精度。我们的研究结果表明，卷积神经网络（CNN）在损失和准确性方面都优于前馈神经网络。CNN模型将高达97.71%的图像响应分类到适当的评分类别中，这与典型的人类评分员相当，如果不是更准确的话。最准确的CNN模型正确地分类了一些被人类评分员错误评分的图像反应，这一观察结果进一步加强了这些发现。作为一个额外的创新，我们概述了一种方法来选择人类额定响应的训练样本的基础上的应用程序的预期响应函数来自项目响应理论。本文认为，基于CNN的图像响应自动评分是一种高度准确的程序，可以替代第二个人类评分员进行大规模评估的工作量和成本，同时提高复杂构建响应项目评分的有效性和可比性。
2022-01-05 cs.AI cs.CV cs.LG
ENACT-Heart -- ENsemble-based Assessment Using CNN and Transformer on Heart Sounds
The University of Michigan - Dearborn（密歇根大学迪尔伯恩分校）；SimPlatform Co. Ltd.（SimPlatform有限公司）；Affiliate Research Institute（附属研究院）
本研究提出ENACT-Heart集成方法，结合CNN与ViT通过专家混合框架分析心音，实现97.52%的分类准确率，优于单一模型，可提升心血管健康监测诊断性能。
2026-11-05 cs.AI cs.SD eess.AS
Assessment of Breast Cancer Histology using Densely Connected Convolutional Networks
Konica Minolta Laboratory Europe（柯尼卡美能达欧洲实验室）；LMU Munich（慕尼黑大学）
乳腺癌是最常见的癌症，也是全世界女性癌症相关死亡的主要原因。在这篇文章中，我们研究了密集连接的卷积神经网络的组织学图像分类和整个幻灯片图像分割的计算机辅助诊断乳腺癌的区域中的问题的适用性。为此，我们研究了迁移学习的各种方法，并将其应用于2018年乳腺癌组织学图像（BACH）大挑战的数据集。
2018-04-09 cs.CV
Assessment of Deep Convolutional Neural Networks for Road Surface Classification
当参数化车辆控制算法用于稳定性或轨迹控制时，道路-轮胎摩擦系数是控制性能的重要模型参数。影响摩擦系数的一个主要因素是路面状况。基于摄像头的前瞻性路面分类有助于实现车辆控制算法的早期参数化。在本文中，我们训练和比较两种不同的深度卷积神经网络模型，关于其应用于道路摩擦估计和描述训练分类器的挑战，在可用的训练数据和合适的数据集的建设。
2018-08-07 cs.CV
Image Aesthetics Assessment using Multi Channel Convolutional Neural Networks
Dhirubhai Ambani Institute of Information and Communication Technology（迪鲁巴希·阿姆巴尼信息与通信技术研究所）；C R Rao Advanced Institute of Mathematics, Statistics and Computer Science（C R Rao高级数学、统计与计算机科学研究所）
本文提出多通道CNN架构，通过不同裁剪和显著性图作为输入，提升图像质量分类性能，实验显示在AVA数据库上优于现有方法。
2019-11-21 cs.CV
A-Lamp: Adaptive Layout-Aware Multi-Patch Deep Convolutional Neural Network for Photo Aesthetic Assessment
SUNY at Buffalo（布法罗纽约州立大学）；Tianjin University（天津大学）
深度卷积神经网络（CNN）最近被证明可以为美学评估产生有希望的结果。然而，这些深度CNN方法的性能通常受到神经网络仅采用固定大小输入的约束的影响。为了满足这一要求，输入图像需要通过裁剪、扭曲或填充进行变换，这通常会改变图像组成、降低图像分辨率或导致图像失真。因此，原始图像的美学受到损害，因为潜在的损失的细粒度的细节和整体的图像布局。然而，这种细粒度的细节和整体图像布局对于评估图像的美学至关重要。在本文中，我们提出了一个自适应布局感知多补丁卷积神经网络（A-Lamp CNN）架构的照片美学评估。该方案能够接受任意大小的图像，并同时从细粒度细节和整体图像布局中学习。为了能够在这些混合输入上进行训练，我们通过开发专用的双子网神经网络结构来扩展该方法，即多补丁子网和布局感知子网。我们进一步构建了一个聚合层，以有效地结合这两个混合特征。在大规模美学评估基准（AVA）上进行的大量实验表明，与最先进的照片美学评估方法相比，该方法的性能有了显着提高。
2017-04-02 cs.CV
C3DVQA: Full-Reference Video Quality Assessment with 3D Convolutional Neural Network
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Tencent（腾讯）；Peng Cheng Laboratory（鹏城实验室）
传统的视频质量评估（VQA）方法评估局部图像质量，视频分数通过时间聚集帧分数来预测。然而，由于时间掩蔽效应的存在，视频质量表现出与静态图像质量不同的特性。在本文中，我们提出了一种新的架构，即C3DVQA，它使用卷积神经网络与3D内核（C3D）的全参考VQA任务。C3DVQA将特征学习和分数池结合到一个时空特征学习过程中。我们使用2D卷积层来提取空间特征，使用3D卷积层来学习时空特征。我们根据经验发现，3D卷积层能够捕获视频的时间掩蔽效应。我们在LIVE和CSIQ数据集上对所提出的方法进行了评估。实验结果表明，该方法达到了最先进的性能。
2020-03-04 cs.CV eess.IV
Deep Convolutional Neural Network Applied to Quality Assessment for Video Tracking
Pontificia Universidad Javeriana（哈韦里亚纳宗座大学）
监控视频在采集和存储过程中经常会出现模糊和曝光失真，这会对视频分析任务的自动图像分析结果产生不利影响。本文的目的是部署一个算法，可以自动评估存在的曝光失真的视频。在这项工作中，我们设计和建立一个架构的深度学习应用于识别失真的视频。目标是了解视频是否存在曝光失真。这种算法可以用于增强或恢复图像或创建对象跟踪器失真感知。
2018-10-26 cs.CV
Fruit Quality Assessment with Densely Connected Convolutional Neural Network
Islamic University of Technology（伊斯兰科技大学）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；King Fahd University of Petroleum & Minerals（法赫德国王石油与矿产大学）
食品的准确识别以及质量评估在农业中至关重要。这种自动化系统可以加快食品加工部门的速度，节省大量的体力劳动。在这方面，基于深度学习的架构的最新进展已经引入了各种各样的解决方案，这些解决方案在几个分类任务中提供了出色的性能。在这项工作中，我们已经利用了密集连接卷积神经网络（DenseNets）的概念，水果质量评估。向更深层的特征传播使网络能够解决消失梯度问题，并确保特征的重用以学习有意义的见解。在包含六种水果的19，526个图像的数据集上进行评估，每个水果具有三个质量等级，所提出的管道实现了99.67%的显着准确率。该模型的鲁棒性进一步测试水果分类和质量评估任务，该模型产生了类似的性能，这使得它适合于现实生活中的应用。
2022-12-24 cs.CV
Pediatric Bone Age Assessment Using Deep Convolutional Neural Networks
Lyft Inc.（Lyft公司）；Neuromation OU（Neuromation公司）；University of Michigan（密歇根大学）；Massachusetts Institute of Technology（麻省理工学院）
骨龄评估是诊断儿童发育中内分泌和代谢紊乱的常见临床实践。在本文中，我们描述了一种全自动的深度学习方法，使用RSNA 2017组织的儿科骨龄挑战赛的数据来解决骨龄评估问题。本次比赛的数据集由12.6k张左手放射学图像组成，并按患者的骨龄和性别进行标记。我们的方法利用了几种深度学习架构：U-Net，ResNet-50和自定义VGG风格的端到端神经网络训练。我们使用整只手的图像以及手的特定部分进行训练和推理。这种方法使我们能够测量特定手骨的重要性，用于自动骨龄分析。我们进一步评估了该方法在骨骼发育阶段的背景下的性能。我们的方法优于其他常见的骨龄评估方法。
2018-06-19 cs.CV
Measurement of exceptional motion in VR video contents for VR sickness assessment using deep convolutional autoencoder
KAIST（韩国科学技术院）
本文提出了一种新的客观度量的异常运动在VR视频内容的VR疾病评估。在VR环境中，VR病可以由几个因素引起，这些因素是不匹配的运动，视野，运动视差，视角等。类似于运动病，VR病可以引起许多身体症状，如全身不适，头痛，胃意识，恶心，呕吐，疲劳和定向障碍。为了解决虚拟环境中的观看安全问题，开发一种客观的VR疾病评估方法来预测和分析VR内容引起的VR疾病的程度是非常重要的。所提出的方法考虑到运动信息，这是确定VR疾病的整体程度的最重要的因素之一。在本文中，我们检测异常的运动，可能会导致VR疾病。使用卷积自动编码器对VR视频内容中的异常运动的时空特征进行编码。为了客观地评估VR疾病，还通过使用卷积自动编码器来测量VR视频内容中的异常运动水平。该方法的有效性已成功地进行了主观评估实验，使用模拟器疾病问卷（SSQ）在VR环境中。
2018-04-11 cs.CV
Automated Performance Assessment in Transoesophageal Echocardiography with Convolutional Neural Networks
University College London（伦敦大学学院）；St Bartholomew’s Hospital, NHS Foundation Trust（圣巴塞洛缪医院NHS基金会信托）；St George’s University Hospitals, NHS Foundation Trust（圣乔治大学医院NHS基金会信托）
经食管超声心动图（TEE）是一种有价值的诊断和监测成像方式。正确的图像采集对于诊断至关重要，但目前的评估技术仅基于手动专家审查。本文提出了一种有监督的深度学习框架，用于自动评估和分级TEE图像的质量。为了获得必要的数据集，38名不同经验的参与者使用高保真虚拟现实（VR）平台进行了TEE检查。两个卷积神经网络（CNN）架构，AlexNet和VGG，结构进行回归，微调和验证手动分级图像从三个评价。两种不同的评分策略，一个标准为基础的百分比和整体的一般印象，被使用。开发的CNN模型估计的平均分数与均方根精度范围在84%-93%之间，表明有能力复制专家评估。提出的自动TEE评估策略可以对新TEE操作员的培训过程产生重大影响，提供直接反馈并促进必要的灵巧技能的发展。
2018-06-13 cs.CV
COVID-Net CT-S: 3D Convolutional Neural Network Architectures for COVID-19 Severity Assessment using Chest CT Images
University of Waterloo（滑铁卢大学）
COVID-19大流行造成的健康和社会经济困难继续在世界各地造成巨大的紧张局势。特别是，病例数量的激增给世界各地的卫生保健系统带来了相当大的压力。治疗和管理COVID-19阳性患者的关键步骤是严重程度评估，鉴于肺部疾病严重程度不同阶段的微妙性，即使对于放射科专家来说，这也是一项挑战。受这一挑战的激励，我们引入了COVID-Net CT-S，这是一套用于预测COVID-19感染所致肺部疾病严重程度的深度卷积神经网络。更具体地说，利用3D残差架构设计来学习表征COVID-19肺病严重程度的体积视觉指标。使用中国国家生物信息中心（CNCB）收集的患者队列的实验结果表明，与学习和利用2D视觉特征来表征COVID-19严重程度的传统严重程度评估网络相比，通过利用体积特征，所提出的COVID-Net CT-S网络可以实现显著改善的严重程度评估性能。
2021-05-04 cs.CV eess.IV
Towards Cross-Disaster Building Damage Assessment with Graph Convolutional Networks
American University of Beirut（贝鲁特美国大学）
在灾害发生后，使用变化检测来获得建筑物损坏地图以规划救援行动。目前的卷积神经网络方法没有考虑相邻建筑物之间的相似性来预测损坏。我们提出了一种新的基于图形的建筑物损坏检测解决方案，以捕捉这些关系。我们提出的模型架构从局部和邻域特征中学习，以预测建筑物损坏。具体来说，我们采用样本和聚合图卷积策略来学习聚合函数，这些聚合函数可以推广到看不见的图，这对于减轻获得新灾害预测所需的时间至关重要。我们在xBD数据集上的实验以及与经典卷积神经网络的比较表明，虽然我们的方法受到类不平衡的阻碍，但在跨灾难泛化方面，它具有很大的优势。
2022-01-25 cs.CV cs.LG
NovisVQ: A Streaming Convolutional Neural Network for No-Reference Opinion-Unaware Frame Quality Assessment
本文提出流式无参考且不依赖主观意见的视频质量评估模型NovisVQ，利用DAVIS合成退化训练时序卷积网络预测LPIPS、PSNR、SSIM，性能优于图像基线并与全参考指标相关性高于BRISQUE。
2025-11-06 cs.CV
Automated freezing of gait assessment with marker-based motion capture and multi-stage spatial-temporal graph convolutional neural networks
KU Leuven（鲁汶大学）
步态冻结（FOG）是帕金森病患者常见的使人衰弱的步态障碍。对这一现象的进一步深入了解受到客观评估FOG的困难的阻碍。为了满足这一临床需求，本文提出了一种由新型深度神经网络驱动的基于运动捕获的自动FOG评估方法。自动FOG评估可以被公式化为动作分割问题，其中时间模型的任务是在未修剪的运动捕获试验中识别和时间定位FOG片段。本文仔细研究了最先进的动作分割模型在自动评估FOG时的性能。此外，提出了一种新的深度神经网络架构，其目的是比最先进的基线更好地捕获空间和时间依赖性。提出的网络，称为多级时空图卷积网络（MS-GCN），结合时空图卷积网络（ST-GCN）和多级时间卷积网络（MS-TCN）。ST-GCN捕获运动捕获固有的关节之间的分层时空运动，而多阶段组件通过细化多个阶段的预测来减少过度分割错误。实验表明，该模型优于四个国家的最先进的基线。此外，来自MS-GCN预测的FOG结果与来自手动注释的FOG结果具有极好（r=0.93 [0.87，0.97]）和中等强度（r=0.75 [0.55，0.87]）的线性关系。拟议的MS-GCN可以提供一个自动化和客观的替代劳动密集型的临床医生为基础的FOG评估。今后的工作现在有可能旨在评估将MS-GCN推广到更大和更多样化的核查群组。
2022-02-03 cs.CV
Fully convolutional Siamese neural networks for buildings damage assessment from satellite images
Piñata Farms
需要在自然灾害后进行损失评估，以便以最佳方式分配援助和力量，从所造成的损失中恢复。这一过程包括获取有关地区的卫星图像、确定建筑物的位置以及对自然或城市因素对建筑物造成的损害程度进行分类。在自然灾害的情况下，这意味着处理许多平方公里的区域，以判断特定的建筑物是否受到破坏因素的影响。在这项工作中，我们开发了一种计算方法，用于自动比较灾害前后同一地区的卫星图像，并对建筑物的不同损坏程度进行分类。我们的解决方案是基于连体神经网络的编码器-解码器架构。我们包括一个广泛的消融研究和比较不同的编码器，解码器，损失函数，增强，和几种方法来结合两个图像。该解决方案在建筑物损坏评估的计算机视觉竞赛中取得了最好的成绩之一。
2021-10-31 cs.CV eess.IV
Blind Image Quality Assessment Using A Deep Bilinear Convolutional Neural Network
Wuhan University（武汉大学）；New York University（纽约大学）；University of Waterloo（滑铁卢大学）
我们提出了一种用于盲图像质量评估（BIQA）的深度双线性模型，可以处理合成和真实失真。我们的模型由两个卷积神经网络（CNN）组成，每个卷积神经网络都专注于一种失真场景。对于合成失真，我们预训练一个CNN来分类图像失真类型和水平，在这里我们可以使用大规模的训练数据。对于真实的失真，我们采用预训练的CNN进行图像分类。来自两个CNN的特征被双线性地合并到一个统一的表示中，用于最终的质量预测。然后，我们使用随机梯度下降的变体在目标主题评级数据库上微调整个模型。大量的实验表明，该模型在合成数据库和真实数据库上都取得了优异的性能。此外，我们验证了我们的方法在滑铁卢探索数据库使用组最大差异化竞争的推广。
2019-07-05 cs.CV cs.MM eess.IV
BDANet: Multiscale Convolutional Neural Network with Cross-directional Attention for Building Damage Assessment from Satellite Images
当发生自然灾害（例如，地震、飓风等）罢工。在部署救援工作之前，从卫星图像评估建筑物损坏至关重要。建筑物损毁评估的目的是利用一对灾前和灾后的卫星图像，预测建筑物的损毁程度。深度神经网络具有强大的特征表示能力，已成功应用于建筑物损伤评估。大多数现有的工作只是将灾前和灾后的图像连接起来作为深度神经网络的输入，而没有考虑它们的相关性。在本文中，我们提出了一种新的两阶段卷积神经网络的建筑物损伤评估，称为BDANet。在第一阶段中，使用U-Net来提取建筑物的位置。然后，第一阶段的网络权值在第二阶段进行建筑物损伤评估。在第二阶段中，一个两分支的多尺度的U-网络作为骨干，在灾前和灾后的图像分别送入网络。提出了一个横向注意模块，以探索灾害前和灾后图像之间的相关性。此外，利用CutMix数据增强来应对困难类的挑战。该方法在大规模数据集xBD上实现了最先进的性能。该代码可在https://github.com/ShaneShen/BDANet-Building-Damage-Assessment上获得。
2021-05-16 cs.CV cs.LG eess.IV
Image quality assessment for determining efficacy and limitations of Super-Resolution Convolutional Neural Network (SRCNN)
Space and Naval Warfare Systems Center Pacific（太平洋空间与海战系统中心）
用于评估图像处理技术的功效的传统度量不适合于理解现代图像处理方法的能力和限制-特别是由深度学习实现的那些。当在工程解决方案中应用图像处理时，科学家或工程师需要用清晰的指标来证明他们的设计决策。通过对图像处理前后的图像应用盲/无参考图像空间质量（BRISQUE）、结构相似性（SSIM）指数得分和峰值信噪比（PSNR），我们可以以有意义的方式量化质量改进，并确定给定方法的最低可恢复图像质量。
2019-05-14 cs.CV eess.IV
2-gram-based Phonetic Feature Generation for Convolutional Neural Network in Assessment of Trademark Similarity
Sejin Mind；Artificial Intelligence Research Institute（人工智能研究院）
商标是用来识别各种商品的标志。如果在同一种商品或者类似商品上注册了相同或者近似的商标，商品的购买者可能会混淆。因此，在商标注册审查过程中，审查员判断该商标是否与其他申请或注册的商标相同或近似。商标混淆是基于商标的视觉、语音或概念上的相似性。在本文中，我们特别关注商标之间的语音相似性。提出了一种基于卷积神经网络的二维语音特征提取方法。从2010年到2016年，该算法使用12，553个商标语音相似对和34，020个商标语音不相似对进行了测试。结果，我们获得了约92%的判断准确率。
2018-02-10 cs.CV cs.SD eess.AS
A combined full-reference image quality assessment approach based on convolutional activation maps
全参考图像质量评估（FR-IQA）的目标是使用原始的参考图像来预测人类观察者所感知的图像质量。在这项研究中，我们探索了一种新的组合方法，该方法通过从卷积激活图中编译特征向量来预测失真图像的感知质量。更具体地，通过预训练的卷积神经网络运行参考失真图像对，并且将激活图与传统图像相似性度量进行比较。随后，得到的特征向量映射到感知质量分数的帮助下，训练的支持向量回归。一个详细的参数研究，其中所提出的方法的设计选择的理由。此外，我们研究了训练图像的数量和预测性能之间的关系。具体而言，它表明，所提出的方法可以用少量的数据进行训练，以达到高的预测性能。我们最好的建议- ActMapFeat -比较国家的最先进的六个公开可用的基准IQA数据库，如KADID-10 k，TID 2013，TID 2008，MDID，CSIQ，和VCL-FER。具体来说，我们的方法能够显着优于这些基准数据库的最先进的。
2020-12-03 cs.CV eess.IV
Adaptive Hypergraph Convolutional Network for No-Reference 360-degree Image Quality Assessment
University of Science and Technology of China（中国科学技术大学）
在无参考360度图像质量评估（NR 360IQA）中，通过图形对视口之间的交互进行建模的图形卷积网络（GCN）取得了令人印象深刻的性能。然而，流行的基于GCN的NR 360IQA方法受到三个主要限制。首先，它们只使用失真图像的高级特征来回归质量分数，而人类视觉系统（HVS）基于层次特征对图像进行评分。其次，它们通过图形以成对的方式简化了视口之间复杂的高阶交互。第三，在图的构建中，他们只考虑了视口的空间位置，忽略了其内容特征。因此，为了解决这些问题，我们提出了一种用于NR 360 IQA的自适应超图卷积网络，表示为AHGCN。具体来说，我们首先设计了一个多层次的视口描述符，用于从视口中提取层次表示。然后，我们通过超图对视口之间的交互进行建模，其中每个超边连接两个或多个视口。在超图的构造中，我们为每个视区建立了一个基于位置的超边和一个基于内容的超边。两个公共360 IQA数据库上的实验结果表明，我们提出的方法具有明显的优势，比国家的最先进的全参考和无参考IQA模型。
2021-05-19 cs.CV eess.IV
No-Reference Point Cloud Quality Assessment via Graph Convolutional Network
School of Information Science and Engineering, Ningbo University（宁波大学信息科学与工程学院）；School of Computer Science and Informatics, Cardiff University（卡迪夫大学计算机科学与信息学院）；Institute of Image Communication and Information Processing, Shanghai Jiao Tong University（上海交通大学图像通信与信息处理研究所）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
针对点云通信中的质量下降问题，提出基于图卷积网络的无参考点云质量评估方法GC-PCQA，通过多视图投影与图推理聚合特征，在公开基准上取得优于现有指标的预测性能。
2024-11-12 cs.AI cs.CV eess.IV
A Multi-task convolutional neural network for blind stereoscopic image quality assessment using naturalness analysis
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）
本文使用一种新的基于多任务深度学习的方法来解决盲立体图像质量评估（NR-SIQA）问题。在立体视觉领域，信息在左右视图之间是公平分配的，并且存在双目现象。在这项工作中，我们建议整合这些特征，通过卷积神经网络来估计立体图像的质量，而无需参考。我们的方法是基于两个主要任务：第一个任务预测自然度分析的基础上适应立体图像的功能，而第二个任务预测这样的图像的质量。前者，所谓的辅助任务，旨在找到更强大和相关的功能，以提高质量的预测。为此，我们使用自然场景统计（NSS）模型在复小波域中计算基于自然度的特征。它允许捕获立体图像对之间的统计依赖性。实验在众所周知的LIVE PHASE I和LIVE PHASE II数据库上进行。所获得的结果显示了我们的方法的相关性时，与那些国家的最先进的。我们的代码可以在网上https://github.com/Bourbia-Salima/multitask-cnn-nrsiqa_2021。
2021-06-21 cs.CV eess.IV
Utilizing Post-Hurricane Satellite Imagery to Identify Flooding Damage with Convolutional Neural Networks
UT Austin（德克萨斯大学奥斯汀分校）
飓风后损失评估对于管理资源分配和执行有效的应对措施至关重要。传统上，这种评估是通过现场勘察进行的，这是缓慢的，危险的，艰巨的。相反，在本文中，我们进一步提出了通过卷积神经网络实现深度学习的想法，以便将飓风后建筑物的卫星图像分类为洪水/受损或未受损。该实验使用的数据集包含2017年哈维飓风后大休斯顿地区的飓风后卫星图像。本文实现了三种卷积神经网络模型架构，并结合其他模型考虑因素，以实现高准确度（超过99%），加强了机器学习在飓风后灾害评估中的有效使用。
2022-09-05 cs.CV
Multi-task convolutional neural network for image aesthetic assessment
University of Leuven (KU Leuven)（鲁汶大学）
本文提出一种多任务卷积神经网络，通过联合学习美学属性与整体评分提升图像美学评估性能，在多个基准上达到接近人类水平且参数更少、计算更高效。
2024-01-15 cs.CV cs.LG
Deep Face Quality Assessment
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）
人脸图像质量是人脸识别系统中的一个重要因素，因为其验证和识别的准确性高度依赖于所呈现的图像的质量。拒绝低质量图像可以显著提高任何面部识别系统的准确性。在该项目中，提出了一种简单的方法来训练深度卷积神经网络，以执行端到端的人脸图像质量评估。工作分两个阶段完成：首先，生成质量分数标签，其次，以监督的方式训练深度卷积神经网络，以预测0到1之间的质量分数。质量标签的生成是通过将面部图像与最佳质量图像的模板进行比较，然后基于相似性评估归一化分数来完成的。
2018-11-11 cs.CV
Building Damage Annotation on Post-Hurricane Satellite Imagery Based on Convolutional Neural Networks
University of Washington（华盛顿大学）
飓风过后，损失评估对于应急管理人员进行有效响应和资源分配至关重要。衡量受损程度的一种方法是量化被淹/受损建筑物的数量，这传统上是通过地面调查完成的。这个过程可能是劳动密集型和耗时的。在本文中，我们提出了提高建筑物损坏评估的效率，通过应用图像分类算法飓风后的卫星图像。在已知的建筑物坐标（可从公共数据中获得），我们从卫星图像中提取正方形大小的图像，以创建训练，验证和测试数据集。每个正方形大小的图像包含一个建筑物，该建筑物被分类为“洪水/受损”（由众包项目中的志愿者标记）或“未受损”。我们从头开始设计和训练一个卷积神经网络，并将其与广泛用于常见对象分类的现有神经网络进行比较。我们在受2017年飓风哈维影响的大休斯顿地区的建筑物损坏评估案例研究中展示了我们的损坏注释模型（准确率超过97%）的前景。
2020-07-07 cs.CV
Deepwound: Automated Postoperative Wound Assessment and Surgical Site Surveillance through Convolutional Neural Networks
Cupertino High School（库比蒂诺高中）；Castilleja School（卡斯蒂列亚学校）；Stanford University（斯坦福大学）
术后伤口并发症是医院、医生和患者花费的重要原因。因此，强烈需要一种诊断伤口并发症发作的有效方法。由于伤口部位外观的可变性，对伤口图像进行数学分类是一项困难的任务。卷积神经网络（CNN）是人工神经网络的一个子组，在分析视觉图像方面表现出很大的潜力，可以用来对手术伤口进行分类。我们提出了一个多标签的CNN集成，Deepwound，训练分类伤口图像只使用图像像素和相应的标签作为输入。我们的最终计算模型可以准确识别9种标签的存在：引流、分泌性渗出物、肉芽组织、手术部位感染、开放性伤口、缝钉、无菌条和缝线。我们的模型实现了受试者工作曲线（ROC）曲线下面积（AUC）评分，灵敏度，特异性和F1评分优于以前的工作在这方面。智能手机由于其日益普及而提供了一种提供可访问的伤口护理的手段。与深层神经网络配合使用，它们能够提供临床见解，以在术后护理期间协助外科医生。我们还为Deepwound提供了一个移动应用程序前端，帮助患者在舒适的家中跟踪他们的伤口和手术恢复。
2018-07-11 cs.CV
Tool Detection and Operative Skill Assessment in Surgical Videos Using Region-Based Convolutional Neural Networks
Stanford University（斯坦福大学）
世界上有50亿人无法获得高质量的外科护理。外科医生的技能差异很大，许多手术患者遭受并发症和可避免的伤害。改善手术培训和反馈将有助于降低并发症的发生率，其中一半已被证明是可以预防的。要做到这一点，至关重要的是评估手术技能，这一过程目前需要专家，是手动的，耗时的，主观的。在这项工作中，我们介绍了一种方法来自动评估外科医生的表现，跟踪和分析手术视频中的工具运动，利用基于区域的卷积神经网络。为了研究这个问题，我们还引入了一个新的数据集，m2 cai 16-tool-locations，它扩展了m2 cai 16-tool数据集的工具的空间边界。虽然以前的方法已经解决了工具存在检测，我们是第一个不仅检测存在，而且空间定位手术工具在现实世界的腹腔镜手术视频。我们表明，我们的方法既有效地检测工具的空间边界，以及显着优于现有的方法对工具的存在检测。我们进一步证明了我们的方法通过分析工具使用模式、运动范围和运动经济性来评估手术质量的能力。
2018-07-22 cs.CV
Blind Quality Assessment for Image Superresolution Using Deep Two-Stream Convolutional Networks
许多图像超分辨率（SR）算法已经被提出用于从具有较低空间分辨率的输入图像重建高分辨率（HR）图像。然而，有效地评估SR图像的感知质量仍然是一个具有挑战性的研究问题。在本文中，我们提出了一种基于无参考/盲深度神经网络的SR图像质量评估器（DeepSRQ）。为了学习各种失真SR图像的更多区别性特征表示，所提出的DeepSRQ是一个双流卷积网络，包括用于失真结构和纹理SR图像的两个子组件。与传统的图像失真不同，超分辨率图像的伪影会导致图像结构和纹理质量的下降。因此，我们选择了双流方案，它捕获SR输入的不同属性，而不是直接从一个图像流中学习特征。考虑到人类视觉系统（HVS）的特性，结构流侧重于提取结构退化中的特征，而纹理流则侧重于纹理分布的变化。此外，为了增加训练数据并确保类别平衡，我们提出了一种基于步幅的自适应裁剪方法，以进一步改进。在三个公开的SR图像质量数据库上的实验结果表明，与最先进的图像质量评估算法相比，我们提出的DeepSRQ方法的有效性和泛化能力。
2020-04-13 cs.CV cs.MM eess.IV
Integration of Convolutional Neural Networks for Pulmonary Nodule Malignancy Assessment in a Lung Cancer Classification Pipeline
Eurecat, Centre Tecnològic de Catalunya（加泰罗尼亚技术中心 Eurecat）；Universitat Pompeu Fabra（庞培法布拉大学）；ICREA
恶性肺结节的早期识别对于更好的肺癌预后和微创化疗或放疗至关重要。放射科医生所做的恶性肿瘤评估对于计划预防性干预非常有用，但不幸的是，这是一项复杂，耗时且容易出错的任务。这解释了缺乏包含放射科医生结节恶性特征的大型数据集。在这篇文章中，我们建议通过3D卷积神经网络评估结节恶性程度，并将其整合到自动化的端到端肺癌检测现有管道中。出于训练和测试目的，我们使用了LIDC数据集的独立子集。在基线肺癌管道中添加结节恶性的概率将其F1加权评分提高了14.7%，而使用转移学习整合恶性模型本身的F1加权评分超过了基线预测的11.8%。尽管肺癌数据集的大小有限，但整合结节恶性肿瘤的预测模型可以提高肺癌的预测。
2019-12-18 cs.CV cs.LG eess.IV
Video-based surgical skill assessment using 3D convolutional neural networks
National Center for Tumor Diseases (NCT)（国家肿瘤疾病中心）；Faculty of Medicine and University Hospital Carl Gustav Carus, TU Dresden（德累斯顿工业大学卡尔·古斯塔夫·卡鲁斯医学院暨大学医院）
目的：对新手外科医生进行深入的教育对于确保手术干预的有效性和安全性至关重要。一个重要方面是教授微创或机器人辅助手术的技术技能。这包括客观和最好是自动评估手术技巧。最近的研究提出了良好的效果，自动，客观的技能评估，通过收集和分析运动数据，如轨迹的手术器械。然而，获得运动数据通常需要用于器械跟踪的附加设备或机器人手术系统的可用性以捕获运动学数据。相比之下，我们调查的方法自动，客观的技能评估，只需要视频数据。这具有在微创和机器人辅助训练场景期间可以毫不费力地收集视频的优点。方法：我们的方法建立在基于深度学习的视频分类的最新进展之上。具体来说，我们建议使用膨胀的3D ConvNet来分类片段，即，从手术视频中提取的几个连续帧的堆栈。在训练过程中，将网络扩展为时间段网络。结果如下：我们在公开的JIGSAWS数据集上评估了该方法，该数据集包括在干燥的实验室台式模型上执行的基本机器人辅助手术任务的记录。我们的方法实现了从95.1%到100.0%的高技能分类准确率。结论：我们的研究结果证明了基于深度学习的手术视频技术技能评估的可行性。值得注意的是，3D ConvNet能够直接从数据中学习有意义的模式，从而减轻了手动特征工程的需求。进一步的评价将需要更多的附加说明的数据，用于培训和测试。
2019-09-04 cs.CV
A Multi-Scale and Multi-Depth Convolutional Neural Network for Remote Sensing Imagery Pan-Sharpening
全色锐化是遥感图像处理领域中的一项基本而重要的任务，它利用全色图像的高分辨率空间细节来提高多光谱图像的空间分辨率。由于从低空间分辨率MS图像到高分辨率MS图像的变换是复杂的且高度非线性的，受到深度神经网络的非线性关系的强大表示的启发，本文将多尺度特征提取和残差学习引入到基本的卷积神经网络（CNN）结构中，提出了多尺度多深度卷积神经网络（MSD CNN），增强遥感图像。定量评估结果和视觉评估都证实，所提出的网络产生高分辨率MS图像，优于由比较的最先进的方法产生的图像。
2017-12-28 cs.CV
SurvivalNet: Predicting patient survival from diffusion weighted magnetic resonance images using cascaded fully convolutional and 3D convolutional neural networks
Technische Universit\"at M\"unchen, Image-Based Biomedical Modeling Group, Arccisstrasse 21, 80333 Munich Technische Universit\"at M\"unchen, Institute for diagnostic；interventional Radiology, Ismaninger Str. 22, 81675 Munich + Ludwig-Maximilians-Universit\"at, German Center for Vertigo
肝细胞癌（HCC）恶性程度的自动非侵入性评估有可能大大提高HCC患者的肿瘤治疗策略。在这项工作中，我们提出了一个新的框架，自动表征肝癌病变的恶性DWI图像。我们分两步预测HCC恶性：第一步，我们使用级联全卷积神经网络（CFCN）自动分割HCC肿瘤病变。然后，3D神经网络（SurvivalNet）从HCC肿瘤分割预测HCC病变的恶性。我们将此任务制定为一个分类问题，其中类别为“低风险”和“高风险”，由比中位生存期更长或更短的生存时间表示。我们对31例HCC患者的DWI进行了评价。我们提出的框架实现了65%的端到端准确度，Dice评分为69%的自动病变分割和68%的准确度为肿瘤恶性分类的基础上专家注释。我们将SurvivalNet与经典的手工特征（如直方图和Haralick）进行了比较，并通过实验表明SurvivalNet在HCC恶性肿瘤分类中优于手工特征。基于我们提出的全自动框架的肿瘤恶性度的端到端评估对应于基于具有高显著性的专家注释的评估（p>0.95）。
2017-02-20 cs.CV
COVID-Net CXR-S: Deep Convolutional Neural Network for Severity Assessment of COVID-19 Cases from Chest X-ray Images
University of Waterloo（滑铁卢大学）；DarwinAI Corp.（DarwinAI公司）；Niagara Health（尼亚加拉医疗）；McMaster University（麦克马斯特大学）；Thunder Bay Regional Health Sciences Centre（桑德贝地区健康科学中心）；Northern Ontario School of Medicine（北部安大略医学院）
全球仍在努力控制和遏制由SARS-CoV-2病毒引起的COVID-19大流行的传播。与SARS-CoV-2感染相关的医疗状况导致诊所和医院的患者数量激增，导致医疗资源的压力显着增加。因此，在临床工作流程中管理和处理SARS-CoV-2感染患者的重要部分是严重程度评估，这通常是使用胸部X射线（CXR）图像进行的。在这项工作中，我们介绍了COVID-Net CXR-S，这是一种卷积神经网络，用于根据患者胸部的CXR图像预测SARS-CoV-2阳性患者的空域严重程度。更具体地说，我们利用迁移学习将来自15，000多例患者病例的多国队列的16，000多张CXR图像中获得的代表性知识转移到自定义网络架构中进行严重程度评估。由北美放射学会（RSNA）RICORD倡议组织的多国患者队列的实验结果表明，拟议的COVID-Net CXR-S有可能成为COVID-19阳性患者CXR图像计算机辅助严重程度评估的强大工具。此外，由两名分别拥有超过10年和19年经验的委员会认证放射科医生对选定病例进行的放射科医生验证显示，放射科医生的解释与COVID-Net CXR-S用于严重程度评估的关键因素之间具有一致性。虽然COVID-Net CXR-S不是一个生产就绪的解决方案，但其开源版本的最终目标是成为临床科学家、机器学习研究人员以及公民科学家的催化剂，以开发创新的新型临床决策支持解决方案，帮助世界各地的临床医…
2021-05-01 cs.CV eess.IV
Landslide Geohazard Assessment With Convolutional Neural Networks Using Sentinel-2 Imagery Data
University of Sannio（萨尼奥大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
在本文中，作者的目标是将最新的图像识别模型与最好的公开卫星图像相结合，以创建一个滑坡风险缓解系统。我们首先专注于滑坡检测，并进一步提出了一个类似的系统用于预测。随着卫星图像的日益普及，这种模型很有价值，因为可以很容易地扩大规模，为灾害评估提供数据。其目标是利用卫星图像和相关数据丰富公共数据库，并指导救灾工作，以确定发生山体滑坡的准确地区。使用不同的图像增强方法来增加所选数据集的多样性，并创建更强大的分类。然后将所得输出馈送到3D卷积神经网络的变体中。对现有文献的回顾表明，没有使用CNN（卷积神经网络）和免费提供的卫星图像对滑坡风险进行分类的研究。该模型已被证明最终能够实现比基线更好的准确性。
2019-06-10 cs.CV cs.LG eess.IV
Convolutional Neural Networks for Video Quality Assessment
University of Crete（克里特大学）；Foundation for Research and Technology Hellas（希腊基础研究与技术基金会）；BBC Research and Development（英国广播公司研发部）；Queen Mary University of London（伦敦玛丽女王大学）
视频质量评估（VQA）是一个非常具有挑战性的任务，由于其高度的主观性。此外，许多因素影响VQA。视频内容的压缩虽然对于最小化传输和存储要求是必要的，但会引入失真，这会对感知质量产生不利影响。特别是当处理现代视频编码标准时，由于对不同内容类型的编码的不可预测性，对压缩的效果进行建模是极其困难的。此外，传输还引入了影响感知质量的延迟和其他失真类型。因此，准确地预测要在现代内容分发平台上分发的视频的感知质量将是非常有益的，使得可以采取特定动作来最大化用户的体验质量（QoE）。基于特征提取和建模的传统VQA技术可能不够准确。本文介绍了一种新的深度学习（DL）框架，用于有效预测基于端到端特征学习的视频内容交付机制的VQA。所提出的框架是基于卷积神经网络，考虑到压缩失真以及传输延迟。建议的框架的培训和评估是在专门为开展这项工作而创建的用户注释VQA数据集上进行的。实验表明，所提出的方法可以导致高精度的质量估计，展示了潜在的使用DL在复杂的VQA场景。
2018-09-26 cs.CV eess.IV
GPA-Net:No-Reference Point Cloud Quality Assessment with Multi-task Graph Convolutional Network
Shanghai Jiao Tong University（上海交通大学）；Tencent Media Lab（腾讯媒体实验室）
针对无参考点云质量评估中预处理引入失真、特征表达不足及几何不变性欠缺的问题，提出GPA-Net，通过GPAConv、多任务学习和坐标归一化实现最优评估性能。
2023-06-01 cs.CV cs.MM
Attention-Gated Convolutional Networks for Scanner-Agnostic Quality Assessment
Indian Institute of Technology, Bhilai, India（印度比哈尔理工学院）
本文提出一种混合CNN-注意力框架，用于鲁棒且跨站点的MRI质量评估，通过局部空间特征提取和多头交叉注意力机制，实现运动伪影的优先识别与噪声过滤，验证了在不同扫描仪环境下的泛化能力。
2026-04-16 cs.CV
Action Quality Assessment using Transformers
动作质量评估（AQA）是基于视频的应用中的一个活跃的研究问题，这是一个具有挑战性的任务，由于每帧的分数方差。现有的方法通过基于卷积的方法来解决这个问题，但受到其有效捕获长程依赖性的限制。随着Transformers的最新进展，我们表明它们是传统的基于卷积的架构的合适替代方案。具体来说，基于transformer的模型是否可以通过有效地捕获远程依赖关系，并行计算并为潜水视频提供更广泛的接受域来解决AQA的任务？为了证明我们提出的架构的有效性，我们进行了全面的实验，并取得了竞争力的斯皮尔曼相关性得分为0.9317。此外，我们还探讨了超参数对模型性能的影响，为在AQA中开发Transformers提供了一条新的途径。
2022-07-20 cs.CV cs.LG
A Self-attention Residual Convolutional Neural Network for Health Condition Classification of Cow Teat Images
Yeshiva University（叶史瓦大学）
本文提出结合残差连接与自注意力机制的CTSAR-CNN模型，用于对奶牛乳头末端角化过度程度进行分类，以提升复杂环境下乳头健康评估的准确性与速度，辅助兽医并惠及乳制品行业。
2024-09-30 cs.CV cs.LG eess.IV
Critical Assessment of Transfer Learning for Medical Image Segmentation with Fully Convolutional Neural Networks
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
迁移学习广泛用于训练机器学习模型。在这里，我们研究了迁移学习在训练用于医学图像分割的全卷积网络（FCN）中的作用。我们的实验表明，虽然迁移学习减少了目标任务的训练时间，但分割准确率的提高高度依赖于任务/数据。当分割任务更具挑战性并且目标训练数据较小时，观察到准确度的较大改进。我们观察到，FCN的卷积滤波器在医学图像分割的训练过程中变化很小，并且在收敛时仍然看起来很随机。我们进一步表明，通过将网络的编码器部分冻结在随机值并仅训练解码器部分，可以构建非常准确的FCS。至少对于医学图像分割，这一发现挑战了编码器部分需要学习数据/任务特定表示的普遍信念。我们研究了FCN表示的演变，以更好地了解迁移学习对训练动态的影响。我们的分析表明，虽然通过迁移学习训练的FCN学习与随机初始化训练的FCN不同的表示，但通过迁移学习训练的FCN之间的变异性可以与随机初始化训练的FCN之间的变异性一样高。此外，特征重用并不局限于早期的编码器层;相反，它在更深的层中可能更重要。这些发现提供了新的见解，并提出了训练用于医学图像分割的FCN的替代方法。
2022-04-03 cs.CV cs.LG eess.IV
Deep Learning with Convolutional Neural Network for Objective Skill Evaluation in Robot-assisted Surgery
The University of Texas at Dallas（得克萨斯大学达拉斯分校）；UT Southwestern Medical Center（得克萨斯大学西南医学中心）
随着机器人辅助手术的出现，数据驱动方法整合统计和机器学习的作用正在迅速增长，对客观手术技能评估的兴趣也越来越大。然而，大多数现有的工作需要将机器人运动学转换为中间特征或手势片段，这些特征或手势片段提取起来很昂贵，缺乏效率，并且需要大量的特定领域知识。我们提出了一个分析性的深度学习框架，用于外科培训中的技能评估。实施深度卷积神经网络以将运动学的多变量时间序列数据映射到个体技能水平。我们在公共微创手术机器人数据集JHU-ISI手势和技能评估工作集（JIGSAWS）上进行实验。我们提出的学习模型在标准训练任务中分别达到了92.5%，95.4%和91.3%的准确率：缝合，穿针和打结。不需要工程特征或精心调整的手势分割，我们的模型可以通过端到端学习成功地从原始运动轮廓中解码技能信息。同时，该模型能够在1-3秒的窗口内可靠地解释技能，而不需要观察整个训练试验。这项研究强调了深度架构在现代外科培训中进行熟练在线技能评估的潜力。
2019-03-07 cs.CV cs.RO
InspectionV3: Enhancing Tobacco Quality Assessment with Deep Convolutional Neural Networks for Automated Workshop Management
Nanjing University of Science and Technology（南京理工大学）；COMSATS University Islamabad - Sahiwal Campus（伊斯兰堡COMSATS大学萨希瓦尔校区）；University of Science and Technology of China（中国科学技术大学）
InspectionV3利用定制深度卷积神经网络实现自动化烤烟分级，通过21,113张图像覆盖20个等级，达到97%准确率，提升车间管理效率。
2025-05-22 cs.CV
Improving utility of brain tumor confocal laser endomicroscopy: objective value assessment and diagnostic frame detection with convolutional neural networks
Arizona State University（亚利桑那州立大学）；Irkutsk State Medical University（伊尔库茨克国立医科大学）
共聚焦激光显微内镜（CLE）虽然能够在脑肿瘤手术期间实时的获得细胞分辨率的图像，但会产生与诊断图像一样多的非诊断图像。由于探头和大脑或血液伪影之间的相对运动，无用图像通常会失真。然而，许多图像只是缺乏能够立即为医生提供信息的诊断特征。检查来自单个病例的所有数百或数千张图像以区分诊断图像和非诊断图像可能是乏味的。提供图像的实时诊断价值评估（足够快以在手术采集过程期间使用并且足够准确以供病理学家依赖）以自动检测诊断帧将简化图像的分析并且为病理学家/外科医生过滤有用的图像。我们试图将图像自动分类为诊断或非诊断。AlexNet是一种深度学习架构，以4重交叉验证的方式使用。我们的数据集包括来自74名CLE辅助脑肿瘤手术患者的16，795张图像（8572张非诊断图像和8223张诊断图像）。所有图像的基础事实由病理学家提供。测试数据的平均模型准确度总体为91%（准确度90.79%，灵敏度90.94%，特异性90.87%）。为了评估模型的可靠性，我们还进行了受试者工作特征（ROC）分析，ROC曲线下面积（AUC）的平均值为0.958。这些结果表明，经过深度训练的AlexNet网络可以实现可靠、快速识别诊断CLE图像的模型。
2018-01-06 cs.CV
Applying Incremental Deep Neural Networks-based Posture Recognition Model for Injury Risk Assessment in Construction
The Pennsylvania State University（宾夕法尼亚州立大学）
监测尴尬的姿势是预防建筑中肌肉骨骼疾病（MSD）的一种积极措施。机器学习（ML）模型已经显示出用于可穿戴传感器的姿势识别的有希望的结果。然而，还需要进一步的研究：i）增量学习（IL），其中训练的模型适应学习新的姿势并控制对已学习姿势的遗忘; ii）对已识别姿势的MSD评估。本研究提出了一个增量卷积长短期记忆（CLN）模型，研究了有效的IL策略，并评估MSDs评估使用公认的姿势。对9名工人的测试表明，具有浅卷积层的CLN模型在个性化（0.87）和广义（0.84）建模下实现了高识别性能（F1得分）。在多对一IL方案下的广义浅层CLN模型可以平衡学习对象的适应（0.73）和遗忘（0.74）。使用从增量CLN模型识别的姿势进行的MSD评估与地面实况存在微小差异，这表明在施工中自动化MSD监测的潜力很大。
2020-08-04 cs.CV cs.LG eess.IV
Estimating Achilles tendon healing progress with convolutional neural networks
University of Warsaw（华沙大学）；Warsaw University of Technology（华沙理工大学）；Medical University of Warsaw（华沙医科大学）；Carolina Medical Center（卡罗莱纳医疗中心）；Tooploox
对跟腱愈合过程中的治疗进展进行定量评估-现代医疗实践中最常见的肌肉骨骼疾病之一-通常是一个漫长而复杂的过程：需要由放射学专家获取和分析多个MRI方案。在本文中，我们建议使用一种基于预训练的卷积神经网络的新方法来显着降低这种评估的复杂性。我们首先在来自3000多个3D MRI研究的500，000多个2D轴向横截面上训练我们的神经网络，以根据患者的状况将MRI图像分类为健康或受伤类别。然后，我们采用修改后的预训练网络的输出，并在特征的PCA缩减空间上应用线性回归来评估治疗进展。我们的方法可以减少高达5倍的数据量需要在MRI扫描过程中注册，而没有任何信息丢失。此外，我们能够在6个主要标准中的3个标准中以与人类专家相同的准确度预测愈合过程阶段。最后，与目前依赖放射科医生主观意见的再生评估方法相反，我们的方法可以客观地比较不同的治疗方法，从而改善诊断和患者的恢复。
2018-06-19 cs.CV
Convolutional Neural Network for Blur Images Detection as an Alternative for Laplacian Method
Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学）
随着数码相机的普及，数字图像的数量迅速增加，这就提出了非人工图像质量评估的需求。虽然有许多方法被认为是有用的检测模糊，在本文中，我们提出并评估了一种新的方法，使用深度卷积神经网络，它可以确定图像是否模糊。实验结果证明了该方案的有效性，并与使用混淆矩阵的确定性方法进行了比较。
2020-10-15 cs.CV
Perineural Invasion Detection in Multiple Organ Cancer Based on Deep Convolutional Neural Network
Shiraz University of Technology（设拉子科技大学）；National Brain Mapping Laboratory（国家脑图谱实验室）
恶性肿瘤细胞的神经浸润（PNI）已被报道为各种癌症预后不良的独立指标。在载玻片上评估小神经中的PNI是一项劳动密集型任务。在这项研究中，我们提出了一种算法来检测神经浸润的结肠癌，前列腺癌和胰腺癌的卷积神经网络（CNN）的基础上。
2021-10-23 cs.CV eess.IV
Monitoring Achilles tendon healing progress in ultrasound imaging with convolutional neural networks
Medical University of Warsaw（华沙医科大学）；University of Warsaw（华沙大学）；SGH Warsaw School of Economics（SGH华沙经济学院）；Carolina Medical Center（卡罗莱纳医疗中心）；Warsaw University of Technology（华沙理工大学）；Tooploox
跟腱断裂是一种使人衰弱的损伤，通常通过手术修复和长期康复来治疗。然而，复苏是长期的，而且往往是不完全的。诊断以及愈合进展评估主要基于超声和磁共振成像。在本文中，我们提出了一种基于深度学习的自动方法，用于分析跟腱状况并估计其在超声图像上的愈合进度。我们开发了自定义卷积神经网络，用于愈合评分和特征提取的分类和回归。我们的模型在超过250.000个矢状和超过450.000个轴向超声切片的采集数据集上进行训练和验证。所获得的估计值显示出与放射科专家评估的高度相关性，就描述愈合进展的所有关键参数而言。我们还观察到与i.a.腱内愈合过程用矢状切片更好地建模。我们证明，超声成像是定量的跟腱愈合过程的临床评估有用，应被视为补充磁共振成像。
2019-09-11 cs.CV eess.IV q-bio.QM
Efficient Hyperparameter Importance Assessment for CNNs
University of Bristol（布里斯托大学）
本文提出用 N-RReliefF 算法评估 CNN 超参数重要性，通过在十个图像分类数据集上训练超一万个模型，发现卷积层数、学习率、dropout 率、优化器和 epoch 是最重要的五个超参数，为深度学习中的超参数重要性评估奠定了基础。
2024-10-11 cs.AI cs.CV cs.LG
