ContourCNN: convolutional neural network for contour data classification
Ben Gurion University of the Negev(本-古里安大学)
提出了一种新的用于轮廓数据分析和形状分类的卷积神经网络模型(ContourCNN)。轮廓是表示闭合形状的点的圆形序列。为了处理轮廓表示的循环特性,我们采用循环卷积层。等高线通常稀疏表示。为了解决信息稀疏性问题,我们引入了优先级池层,该优先级池层根据特征的大小来选择特征。优先级池化层池化具有低幅值的特征,同时保持其余特征不变。我们使用从EMNIST数据集提取的字母和数字形状评估了所提出的模型,并获得了较高的分类精度。
2020-09-30 cs.CV
A New Computational Framework For 2D Shape-Enclosing Contours
本文提出了一种从离散二维数据集中提取一维轮廓的新框架。轮廓提取在数字图像处理、计算机视觉、模式识别等许多科学领域都有重要的应用。该框架包括(但不限于)膨胀轮廓提取、轮廓位移、形状骨架提取、轮廓延拓、基于形状特征的轮廓细化和轮廓简化等算法。许多新技术强烈依赖于Delaunay曲面细分的应用。为了证明这种新的工具箱方法的多功能性,这里提出的轮廓提取技术应用于材料科学,生物学和重离子物理学的科学问题。
2010-11-10 cs.CG cs.CV
An Efficiently Coupled Shape and Appearance Prior for Active Contour Segmentation
Rivian Automotive LLC;Georgia Institute of Technology(佐治亚理工学院)
提出了一种新的基于形状和外观特征的训练模型,用于图像和视频中的对象分割。虽然大多数这样的模型依赖于二维外观模板或一组有限的描述符,我们的外观为基础的功能是一个一维的功能,这是有效地耦合到对象的形状,通过集成强度沿对象的等值线。对这些形状和外观特征的联合PCA训练进一步利用了形状-外观相关性,并且所得到的训练模型被并入主动轮廓类型的能量泛函中以用于分割任务。在合成图像和红外图像上的实验表明,与基于Chan-Vese能量的方法相比,这种形状和外观训练模型如何提高准确性。
2021-03-31 cs.CV
Region-based active contour with noise and shape priors
GREYC UMR 6072(GREYC实验室 UMR 6072);CHU Caen(卡昂大学附属医院)
在本文中,我们提出了正式结合噪声和形状先验的区域为基础的活动轮廓。一方面,我们使用指数族的一般框架作为噪声的先验模型。另一方面,平移和尺度不变的勒让德矩被认为是结合形状先验(例如,对参考形状的保真度)。在主动轮廓泛函中的两个先验项的组合产生最终的演化方程,其演化速度是使用形状导数工具严格导出的。对合成图像和真实心脏回波数据的实验结果清楚地表明了我们的分割算法对初始化和噪声的鲁棒性,灵活性和潜在的适用性。
2008-05-21 cs.CV
From Boundaries to Bumps: when closed (extremal) contours are critical
Brown University(布朗大学);Yale University(耶鲁大学)
基于形状推理的不变量是难以捉摸的:各种形状可以产生相同的图像,并且可以从相同的形状渲染各种图像。遮挡轮廓是一个罕见的例外:它既有图像的显着性,在等照度线方面,和表面的意义,在表面法线方面。我们放宽闭塞轮廓的概念,定义封闭的极值曲线,一个新的形状不变量,存在于拓扑水平。它们围绕着凹凸,一个常见的,但不明确的内部形状组成部分,并正式的凹凸感知的定性性质。极值曲线是生物学上可计算的,统一了从阴影、纹理和镜面材料的形状推断,并预测了凹凸感知中的新现象。
2020-05-16 cs.CV
Segmentation of Levator Hiatus Using Multi-Scale Local Region Active contours and Boundary Shape Similarity Constraint
the Third Affiliated Hospital of Sun Yat-Sen University(中山大学附属第三医院);School of Mathematical Sciences, Zhejiang University(浙江大学数学科学学院);Henan Provincial People’s Hospital(河南省人民医院)
本文提出了一种基于局部区域的活动轮廓和边界形状相似性约束的多尺度框架,用于超声图像中的提肌裂孔分割。本文提出了一种结合局部区域信息和边界形状相似性约束的多尺度活动轮廓框架来分割提肌裂孔超声图像。为了得到更精确的初始化和减少计算量,高斯金字塔方法被用来分解的图像到粗到细的尺度。首先对粗尺度图像进行局部区域活动轮廓模型处理,得到提肌裂孔的粗轮廓,然后将粗尺度上的分割结果插值到细尺度图像中作为初始值。基于局部区域的主动轮廓模型考虑了不同尺度下的边界形状相似性,使得粗尺度下的结果可以指导更细尺度下的轮廓演化。通过结合多尺度和边界形状相似性,该方法可以精确定位提肌裂孔边界,尽管各种超声图像伪影。通过对90幅上睑裂孔超声图像的定量和定性评价(TP、FP、Js)以及与其他两种最先进的活动轮廓分割方法(C-V模型、DRLSE模型)的比较,验证了该方法的有效性和准确性。
2019-01-11 cs.CV
Rethinking Rotation-Invariant Recognition of Fine-grained Shapes from the Perspective of Contour Points
Tsinghua University(清华大学);Taiyuan University of Technology(太原理工大学)
针对像素方法在细粒度形状旋转不变识别中的冗余与几何信息泄漏问题,提出基于轮廓几何感知的抗噪声旋转不变卷积模块及五级联网络,提升识别性能并增强对噪声和旋转中心的鲁棒性。
2025-03-14 cs.CV
OCT segmentation: Integrating open parametric contour model of the retinal layers and shape constraint to the Mumford-Shah functional
University of Nottingham(诺丁汉大学);Shenzhen University(深圳大学);Wuhan University of Technology(武汉理工大学);University of Leicester(莱斯特大学)
在本文中,我们提出了一种新的视网膜层边界模型的光学相干断层扫描(OCT)图像分割。视网膜层边界模型由表示OCT图像中的9个视网膜层的9个开放参数轮廓组成。首先定义了一个基于亮度的Mumford-Shah(MS)变分泛函来演化视网膜层边界模型,以同时分割9层。通过利用开放参数轮廓的法线,我们构造相等大小的相邻窄带,每个轮廓划分。因此,每个窄带中的区域信息可以被集成到MS能量泛函中,使得其优化对于不同的初始化是鲁棒的。一个统计先验也施加在形状的分割参数轮廓的功能。因此,通过最小化MS能量泛函,可以朝向视网膜层的真实边界驱动参数轮廓,同时保留轮廓相对于训练OCT形状的相似性。对实际OCT图像的实验结果表明,该方法对低对比度、高斑点噪声的低质量OCT图像具有较好的分割精度和鲁棒性,在分割OCT图像视网膜9层时,优于现有的基于测地线距离的方法。
2018-08-08 cs.CV
Learning Contour-Fragment-based Shape Model with And-Or Tree Representation
Sun Yat-Sen University(中山大学);Lotus Hill Research Institute(莲花山研究院)
本文提出了一种简单而有效的方法来学习分层对象的形状模型组成的局部轮廓片段,它表示的一个类别的形状的形式与或树。该模型通过引入“开关”变量(即或节点)来扩展传统的分层树结构,该“开关”变量明确指定产生式规则以捕获形状变化。因此,我们定义的模型有三层:用于检测局部轮廓片段的叶节点,指定选择的叶节点或节点,和根节点编码的整体失真。在训练阶段,为了优化与或树学习,我们通过在迭代学习步骤中嵌入结构聚类来扩展凹凸过程(CCCP)。形状检测的推理与模型优化是一致的,它将通过叶节点和或节点的局部测试与通过根节点的全局验证相结合。我们的方法的优点在具有挑战性的形状数据库(即,ETHZ和INRIA马),并总结如下。(1)该方法能够准确地定位形状轮廓对不可靠的边缘检测和边缘跟踪。(2)与或树模型使我们能够很好地捕捉组内方差。
2015-02-03 cs.CV
Contour Completion by Transformers and Its Application to Vector Font Data
Kyushu University(九州大学)
针对矢量字体等点序列轮廓中缺失点无标记、需同时检测并补全的问题,提出一种基于 Transformer 的轮廓补全方法并验证其字体轮廓补全效果。
2023-04-27 cs.CV cs.GR cs.LG
Contour Manifolds and Optimal Transport
Heidelberg University(海德堡大学)
如[24]中提出的,在对象分割中通过适当的测量来描述形状,允许将表示的优点结合为参数化轮廓和指示函数。最优输运的伪黎曼结构可以用于以与轮廓类似的方式对形状进行建模,而Kantorovich泛函使得能够应用凸优化方法来实现分割泛函的全局最优性。在本文中,我们提供了一个数学研究的形状测量表示及其关系的轮廓描述。特别是,我们证明了当限制于形状测度集时,最优输运的伪黎曼结构会产生一个与闭合轮廓流形微分同胚的流形。讨论了由最优输运导出的度量和相应的测地线方程。
2013-09-09 cs.CV math.DG
Contour Flow Constraint: Preserving Global Shape Similarity for Deep Learning based Image Segmentation
School of Mathematical Sciences, Beijing Normal University(北京师范大学数学系)
本文提出轮廓流约束,通过形状损失和CFSSnet两种方式集成到深度分割网络,提升分割精度与全局形状相似性,并在含噪图像上表现鲁棒。
2025-07-19 cs.CV
Contour Field based Elliptical Shape Prior for the Segment Anything Model
University of Science and Technology of China(中国科学技术大学)
针对SAM难以高效生成椭圆形状分割结果的问题,提出一种参数化椭圆轮廓场约束方法,通过变分法和对偶算法将椭圆先验与图像特征融合,提升特定任务分割精度。
2026-06-11 cs.CV
Critical Contours: An Invariant Linking Image Flow with Salient Surface Organization
Brown University(布朗大学);Yale University(耶鲁大学)
我们利用视觉心理物理学的一个关键结果-个人感知形状定性-开发使用的几何/拓扑“不变量”(莫尔斯-斯梅尔复杂)与表面结构的图像结构。个体之间的差异在某些配置(如脊和边界)附近是最小的,而这些配置通常在线图中表示。特别是,我们介绍了一种方法,用于推断一个定性的三维形状的阴影模式,连接形状从阴影推断与形状从轮廓推断。对于一个给定的形状,某些阴影补丁接近“线”在一个明确定义的限制。在此限制下,并且总是关于渲染选择,这些着色图案提供了表面的定性描述。我们进一步表明,在这个模型下,轮廓分割成有意义的部分,使用Morse-Smale复杂的表面。这些关键轮廓是这个复杂的(感知)稳定的部分,并且在广泛的渲染模型中是不变的。直观地说,我们的主要结果表明,临界轮廓分割光滑的表面成凹凸不平和山谷,实际上提供了一个支架上的图像,从一个完整的表面可以内插。
2018-07-26 cs.CV
Adaptive Locally Affine-Invariant Shape Matching
Indian Institute of Technology Madras(马德拉斯印度理工学院)
由于形状可能是物体最可区分的特征,因此利用形状匹配可变形物体是计算机视觉中的一个重要问题。这个问题是困难的,由于许多因素,如类内变化,局部变形,关节,视点变化和错过和无关的轮廓部分,由于形状提取的错误。虽然在文献中已经通过允许经由诸如倒角距离和Hausdorff距离的方法在个体轮廓点的匹配中有一些余地来处理小的局部变形,但是已经通过应用诸如相似性或仿射的局部几何校正来处理更严重的变形和关节。然而,确定形状的哪些部分应该用于几何校正是非常困难的,尽管已经尝试了一些方法。在本文中,我们解决了这个问题,一个有效的搜索组的轮廓段被聚集在一起的几何校正使用动态规划,基本上是搜索分割的两个形状,导致它们之间的最佳匹配。同时,我们允许轮廓的部分保持不匹配,以处理丢失和无关的轮廓部分。实验结果表明,该方法的性能优于其他算法,特别是当要匹配的形状更复杂。
2015-04-25 cs.CV
Template-Based Active Contours
Indian Institute of Science(印度科学学院)
本文提出了一种基于形状模板的广义活动轮廓图像分割方法。形状模板进行限制仿射变换(RAT),以便分割感兴趣的对象。RAT允许平移、旋转和缩放,总共有五个自由度。该主动轮廓线由一对同心闭合的内外轮廓线组成。活动轮廓能量是基于位于内轮廓内的像素的强度和位于内轮廓与外轮廓之间的环中的像素的强度定义的对比度函数。我们证明了在一定条件下,对比度能量泛函是最优的。通过使用梯度下降优化器最大化对比度函数来计算最佳RAT参数。我们表明,计算是有效的,通过使用格林定理。所提出的形式主义是能够处理各种形状,因为对于一个选定的模板,优化进行相对于RAT参数。所提出的形式主义在多个图像上进行了验证,以显示对高斯和泊松噪声、初始化和待分割对象中的部分结构损失的鲁棒性。
2013-12-03 cs.CV
Joint Denoising / Compression of Image Contours via Shape Prior and Context Tree
The Hong Kong University of Science and Technology(香港科技大学);National Institute of Informatics(国立信息学研究所);Microsoft Research(微软研究院)
随着深度传感技术的出现,图像中物体轮廓的提取-对于后期更高级别的计算机视觉任务(如目标检测和人类动作识别)来说,这是一个常见且重要的预处理步骤-变得更加容易。然而,捕获的深度图像中的采集噪声意味着检测到的轮廓遭受不可避免的误差。在本文中,我们建议联合降噪和压缩检测到的轮廓在图像中的带宽受限的传输到客户端,然后谁可以执行上述特定于应用程序的任务,使用解码的轮廓作为输入。我们首先从理论上证明,在一般情况下,一个联合去噪/压缩方法可以优于一个单独的两阶段的方法,首先去噪,然后编码的轮廓损失。采用联合的方法,我们首先提出了一个突发错误模型,模型中遇到的典型错误观察字符串y的方向边缘。然后,我们制定了一个率约束的最大后验(MAP)问题,权衡后验概率p(x')|y)的估计字符串x'给定y及其码率R(x')。我们设计了一个动态规划(DP)算法,解决了所提出的问题的最优解,并提出了一个紧凑的上下文表示称为总后缀树(TST),可以大大降低算法的复杂度。实验结果表明,我们的联合去噪/压缩方案在率失真性能明显优于竞争单独的计划。
2017-04-30 cs.CV
ShapeEmbed: a self-supervised learning framework for 2D contour quantification
European Bioinformatics Institute(欧洲生物信息学研究所);European Molecular Biology Laboratory(欧洲分子生物学实验室);University of Birmingham(伯明翰大学);School of Computer Science(计算机科学学院)
本文提出自监督框架 ShapeEmbed,将二维轮廓编码为对平移、缩放、旋转、反射和点索引不变的形状描述符,并在自然与生物图像分类中优于现有方法。
2025-07-01 cs.CV q-bio.QM
Procrustes registration of two-dimensional statistical shape models without correspondences
University of Paderborn(帕德博恩大学);Augsburg University Hospital(奥格斯堡大学医院)
统计形状模型在图像处理和计算机视觉中是一种有用的工具。通常执行相同形状的轮廓的Procrustres配准以对齐训练样本以学习统计形状模型。具有已知对应性的两个轮廓之间的Procrustes配准是直接的。然而,这些对应关系通常不可用。在统计形状模型的设计中,手动放置的标志通常用于对应。然而,确定轮廓上的手动标志是耗时的,并且经常容易出错。同时找到对应和配准的一种解决方案是迭代最近点(ICP)算法。然而,ICP需要接近配准的轮廓的初始位置,并且它对离群值不鲁棒。我们提出了一种新的策略,基于动态时间弯曲,有效地解决了没有对应关系的Procrustes注册问题。我们研究了不同形状数据集的集合中的配准性能,并表明我们的技术优于基于ICP方法的竞争技术。我们的策略被应用到一个合奏的轮廓相同的形状作为一个扩展的广义Procrustes分析会计缺乏对应。
2019-11-27 cs.CV cs.LG
When ControlNet Meets Inexplicit Masks: A Case Study of ControlNet on its Contour-following Ability
The University of Sydney(悉尼大学);Nanyang Technological University(南洋理工大学)
本文针对ControlNet处理含噪不明确掩码时产生伪影的问题,提出形状感知ControlNet框架,通过退化估计器与形状先验调制块自适应调节轮廓跟随能力,有效提升模型对不准确空间条件的鲁棒性。
2024-10-15 cs.CV
ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours
Verisk AI(Verisk人工智能部门);Verisk Analytics(Verisk分析公司)
轮廓形状对齐是计算机视觉中的一个基本但具有挑战性的问题,特别是当观察结果是部分的、有噪声的且大部分未对齐时。最近提出的用于对齐图像结构的基于ConvNet的体系结构往往无法用形状的轮廓表示,这主要是由于在其训练过程中使用邻近不敏感的像素级相似性度量作为损失函数。这项工作提出了一种新的ConvNet,“ProAlignNet”,占大规模的错位和轮廓形状之间的复杂转换。它以多尺度的方式推断扭曲参数,随着尺度的增加,复杂变换逐渐增加。它学习-没有监督-对齐轮廓,噪声和丢失的部分不可知,通过训练与一个新的损失函数,这是来自一个接近敏感和局部形状相关的相似性度量,使用经典的形态学倒角距离变换的上限。我们评估这些建议的可靠性模拟MNIST噪声轮廓数据集通过一些基本的健全检查实验。接下来,我们证明了所提出的模型在两个现实世界中的应用(i)对齐地理地块数据的航空图像地图和(ii)细化粗注释的分割标签的有效性。在这两种应用中,所提出的模型始终优于最先进的方法。
2020-05-23 cs.CV cs.LG
Bayesian Fusion of Active Contour Models and ConvNet Priors for Standing Dead Tree Segmentation
The Hong Kong Polytechnic University(香港理工大学);TomTom North America(TomTom北美公司);University of Freiburg(弗莱堡大学)
针对自然资源监测影像中枯木实例分割,提出贝叶斯最大后验推断框架,融合CNN先验与GAN深度形状模型,驱动主动轮廓水平集演化,在树冠轮廓重建上显著优于Mask R-CNN和K-net。
2026-09-23 cs.CV
Neural Strokes: Stylized Line Drawing of 3D Shapes
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Adobe Research(Adobe研究)
本文介绍了一种从三维图形生成风格化线条画的模型。该模型以3D形状和视点作为输入,并输出具有纹理笔划的绘图,其中笔划粗细、变形和颜色的变化是从艺术家的风格中学习的。该模型是完全可微的。我们从另一个3D形状的单个训练图训练其参数。我们发现,与以前的基于图像的方法相比,使用3D形状和2D笔画的几何表示允许模型在保留轮廓的同时转移形状和纹理风格的重要方面。我们的方法以矢量表示形式输出生成的图形,从而在交互式应用程序中实现更丰富的下游分析或编辑。
2021-10-08 cs.CV cs.GR
Image Segmentation of Multi-Shaped Overlapping Objects
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
在这项工作中,我们提出了一种新的分割算法,包含凸对象存在于多个形状的高度重叠的图像。该算法分两步进行,首先识别可见轮廓,使用凹点分割它们,最后将属于同一对象的段分组。下一步是为这些分组的轮廓段分配形状标识。对于包含多个形状的对象的图像,我们首先识别轮廓的形状类,然后将形状实体分配给这些类。我们提供了一个全面的实验,我们的算法在两个晶体图像数据集。一个数据集包括包含彼此重叠的多个形状的对象的图像,另一个数据集包含具有以单个形状存在的对象的标准图像。我们测试我们的算法对两个基线,我们提出的算法优于这两个基线。
2017-11-06 cs.CV
TextRay: Contour-based Geometric Modeling for Arbitrary-shaped Scene Text Detection
College of Computer Science, Zhejiang University(浙江大学计算机学院)
由于文本的复杂几何布局,如大的纵横比,各种比例,随机旋转和曲线形状,因此形状复杂的文本检测是一项具有挑战性的任务。大多数最先进的方法从自下而上的角度解决这个问题,试图用简单的局部单元(例如,局部框或像素)并利用启发式后处理生成检测。在这项工作中,我们提出了一种任意形状的文本检测方法,即TextRay,它进行自上而下的基于轮廓的几何建模和几何参数学习在一个单镜头锚无框架。在极坐标系下进行几何建模,采用形状空间和参数空间的双向映射方案,将复杂的几何布局编码成统一的表示。为了有效地学习表示,我们设计了一个中心加权的训练策略和内容损失,建立几何编码和视觉内容之间的传播路径。TextRay在一个通道中输出简单的多边形检测,只有一个NMS后处理。在多个基准数据集上的实验证明了该方法的有效性。该代码可在https://github.com/LianaWang/TextRay上获得。
2020-08-12 cs.CV cs.LG
Algorithm for recognizing the contour of a honeycomb block
本文讨论了一种识别蜂窝块碎片轮廓的算法。OpenCV库的现成函数的不适用性。两种算法被认为是。直接扫描算法在二值化图像中找到极端的白色像素,它对产品的凸形形状有足够的作用,但在产品的凹部区域和腔体中找不到轮廓。为了解决这个问题,提出了一种使用滑动矩阵的扫描算法,该算法可以正确地对任何形状的产品进行扫描。
2021-12-27 cs.CV cs.RO
SLoRD: Structural Low-Rank Descriptors for Shape Consistency in Vertebrae Segmentation
Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University(图像处理与模式识别研究所,上海交通大学)
针对CT图像多类椎骨分割中因外观相似导致的椎体内部分割不一致问题,提出基于结构化低秩描述子SLoRD的轮廓生成网络,利用球坐标轮廓先验与显式形状约束提升分割精度,在VerSe数据集上优于SOTA方法且可作为即插即用框架优化粗预测。
2025-05-28 cs.CV eess.IV
General Automatic Human Shape and Motion Capture Using Volumetric Contour Cues
MPI Informatik(马克斯·普朗克信息学研究所);Intel Visual Computing Institute(英特尔视觉计算研究所)
无标记运动捕捉算法需要具有适当个性化的骨架尺寸和/或身体形状和外观的3D身体来成功地跟踪人。不幸的是,许多跟踪方法认为模型个性化是一个不同的问题,并使用手动或半自动模型初始化,这大大降低了适用性。在本文中,我们提出了一个全自动的算法,共同创建一个操纵演员模型通常用于动画-骨架,体积形状,外观,并可选的身体表面-和估计演员的运动,仅从多视图视频输入。该方法经过严格的设计,可以处理用很少的相机记录的一般户外场景的镜头,并且没有背景减除。我们的方法使用了一个新的图像形成模型与分析可见性和分析可微的对齐能量。对于重建,3D身体形状近似为高斯密度场。对于姿态和形状估计,我们最大限度地减少了一个新的基于边缘的对齐能量的体积光线投射在吸收介质中的启发。我们进一步提出了一个新的统计人体模型,代表身体表面,体积高斯密度,以及骨架形状的变化。给定任何多视图序列,我们的方法联合优化该模型的姿态和形状参数完全自动在时空的方式。
2016-10-21 cs.CV
SCR: Smooth Contour Regression with Geometric Priors
IRT Saint Exupéry(圣埃克苏佩里研究所);Université Côte d’Azur - Inria(蔚蓝海岸大学-法国国家信息与自动化研究所)
虽然目标检测方法传统上使用像素级掩模或边界框,但最近出现了诸如多边形或活动轮廓的替代表示。其中,基于傅立叶或切比雪夫系数回归的方法在自由形状物体上显示出很高的潜力。然而,通过将对象形状定义为极函数,它们仅限于星形域。我们解决这个问题与SCR:一种方法,捕捉分辨率免费对象轮廓作为复杂的周期性函数。该方法提供了一个很好的折衷之间的准确性和紧凑性,由于有效的几何形状先验的设计。我们在流行的COCO 2017实例分割数据集上对SCR进行了基准测试,并展示了其与该领域现有算法的竞争力。此外,我们还设计了一个紧凑型网络,该网络在嵌入式硬件上进行基准测试,具有广泛的功耗目标,可实现最高的实时性能。
2022-02-08 cs.CV cs.LG
Shape-Based Inductive Bias for Glioma Grading from Tumor Contours
University of Victoria(维多利亚大学);Université du Québec à Montréal(魁北克大学蒙特利尔分校)
该研究针对胶质瘤分级任务,提出融入基于形状的归纳偏置的方法,通过功能形状对齐框架处理肿瘤轮廓,在 BraTS~2020 数据集上取得优于像素基线的性能,且模型参数大幅减少。
2026-07-30 cs.CV cs.LG eess.IV
Combining shape and contour features to improve tool wear monitoring in milling processes
本研究提出结合ShapeFeat形状描述符与BORCHIZ轮廓描述符,通过晚期融合方法提升铣削刀具磨损分类精度,二分类准确率达91.44%,三分类达82.90%,优于单独使用任一描述符。
2024-02-07 cs.AI cs.CV cs.LG
Object Class Detection and Classification using Multi Scale Gradient and Corner Point based Shape Descriptors
University Jean Monnet(让·莫内大学)
提出了一种新的基于多尺度梯度和角点的形状描述子。新的基于多尺度梯度的形状描述子与通用傅立叶描述子相结合,提取基于轮廓和区域的形状信息。优化了基于形状信息的随机森林分类器的目标类别检测和分类技术。本文提出的综合描述子对旋转、缩放、平移、仿射变形、噪声轮廓和噪声形状具有鲁棒性。新的基于角点的插值形状描述符已被用于快速目标检测和分类,具有更高的精度。
2015-05-03 cs.CV
Deeply Self-Supervised Contour Embedded Neural Network Applied to Liver Segmentation
Seoul National University(首尔国立大学);Soong-sil University(崇实大学)
目的:在此,提出了一种基于神经网络的肝脏分割算法,并使用腹部计算机断层扫描(CT)图像对其性能进行了评估。方法:提出一种全卷积网络来克服体积图像分割问题。为了指导神经网络准确地描绘目标肝脏对象,通过应用自适应自监督方案来深度监督网络,以获得基本轮廓,其充当与全局形状的补充。对分割结果进行了轮廓、形状和深度特征的内部融合。结果和结论:160个腹部CT图像用于训练和验证。通过八重交叉验证对所提出的网络进行了定量评估。结果表明,该方法,它使用的轮廓特征,分割肝脏更准确地比国家的最先进的骰子分数提高了2.13%。意义:在这项研究中,引入了一个新的框架来指导神经网络和学习互补的轮廓特征。建议的神经网络表明,引导轮廓特征可以显着提高分割任务的性能。
2019-10-17 cs.CV
A Functional Approach to Curve Alignment and Shape Analysis
Université du Québec à Montréal(魁北克大学蒙特利尔分校);Université de Perpignan Via Domitia(佩皮尼昂大学)
提出一种基于函数数据分析(FDA)的框架,通过基展开技术解析估计缩放、平移、旋转和重参数化等变形变量,实现曲线对齐,并利用主成分分析构建随机轮廓生成模型,在模拟数据和MPEG-7数据库上优于传统FDA方法。
2026-07-29 cs.CV stat.ME stat.ML
Dunhuang murals contour generation network based on convolution and self-attention fusion
Northwest Minzu University(西北民族大学);Chinese National Information Technology Research Institute(中国民族信息技术研究院);China Mobile Design Institute Co., Ltd.(中国移动设计院有限公司)
敦煌壁画集中国风格和民族风格于一身,形成了自成一体的中国式佛教艺术,具有很高的历史文化价值和研究意义。其中,敦煌壁画的线条具有高度的概括性和表现力。它反映了人物鲜明的性格和复杂的内心情感。因此,壁画轮廓的绘制对敦煌文化的研究具有重要意义。敦煌壁画的轮廓生成属于图像边缘检测的范畴,是计算机视觉的一个重要分支,旨在提取图像中显著的轮廓信息。虽然基于卷积的深度学习网络通过探索图像的上下文和语义特征,在图像边缘提取方面取得了很好的效果。然而,随着感受野的扩大,一些局部细节信息丢失了。这使得他们无法生成合理的壁画轮廓图。本文提出了一种基于自注意和卷积相结合的边缘检测算法,并将其应用于敦煌壁画线条画的自动生成。与现有的边缘检测方法相比,首先,提出了一种新的残差自注意和卷积混合模块(Ramix)融合局部和全局特征的特征地图。其次,设计了一种新的密集连接主干提取网络,有效地将丰富的边缘特征信息从浅层传播到深层。在不同的公开数据集上的实验结果表明,与现有方法相比,该方法能够生成更清晰、更丰富的边缘图。此外,在敦煌壁画数据集上的测试表明,我们的方法可以达到非常有竞争力的性能。
2023-03-13 cs.AI cs.CV
Shape Transformation Driven by Active Contour for Class-Imbalanced Semi-Supervised Medical Image Segmentation
School of Computer Science(计算机学院);Wuhan University(武汉大学);Univ Gustave Eiffel(古斯塔夫·埃菲尔大学);CNRS(法国国家科学研究中心)
针对半监督医学图像分割中器官尺寸差异导致的类别不平衡问题,本文提出STAC方法,利用主动轮廓和符号距离函数对较小器官进行形状变换以缓解不平衡,并在两个基准数据集上验证了其优于现有方法。
2024-10-18 cs.CV cs.NE
Globally Optimal Joint Image Segmentation and Shape Matching Based on Wasserstein Modes
提出了一种变分目标分割和形状匹配的联合泛函。该配方是基于最佳运输w.r.t.几何距离和局部特征相似度。通过引入描述形状模板的变换和变形的自由度来实现对象典型统计变化的几何不变性和建模。形状模型在数学上等同于基于轮廓的方法,但是可以在轮廓和区域表示之间没有转换的情况下执行推断,从而允许与其他凸分割方法组合并简化优化。虽然整体功能是非凸的,非凸性仅限于一个低维变量。我们提出了一个局部最优的交替优化计划和一个全局最优的分支定界计划,基于自适应凸松弛。结合这两种方法,可以消除微妙的初始化问题固有的许多轮廓为基础的方法,同时保持计算实用。通过数值实验,说明和比较了该泛函的性质,它适应各种输入数据结构的能力和不同的优化方案。
2014-12-29 cs.CV
Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions
Lunit Inc.(卢尼特公司);School of Software, Soongsil University(崇实大学软件学院)
本文针对CT图像中邻近心脏子结构边界难以区分的问题,提出形状感知注意力模块,利用距离回归强化边界特征,在Multi-Modality Whole Heart Segmentation数据集上将Dice相似系数提升4.97%,实现更准确的心脏分割。
2021-05-27 cs.CV eess.IV
The Shape of an Image: A Study of Mapper on Images
University of South Florida(南佛罗里达大学)
我们研究的拓扑结构称为映射的上下文中的简单连接域,特别是图像。Mapper构造可以被认为是单连通域上的轮廓树、分裂树和联合树的推广。图像域上的轮廓树假设高度函数是分段线性Morse函数。这是一类相当严格的函数,不允许我们探索大多数真实世界图像的拓扑结构。Mapper构造通过仅假设高度函数的连续性来避免这种限制,从而允许这种构造鲁棒地处理显著更大的图像集。我们提供了一个定制的图像上的Mapper的结构,给出了一个快速算法来计算它,并展示了如何简化在这种情况下的Mapper结构。最后,我们提供了一个简单的过程,保证映射等价的轮廓,加入,并在一个简单的连接域分裂树。
2017-12-07 cs.CV
Predictive coding feedback results in perceived illusory contours in a recurrent neural network
CerCO(脑与认知研究中心);CNRS(法国国家科学研究中心);ANITI(人工智能与自然智能研究所)
现代前馈卷积神经网络(CNN)现在可以在超人水平上解决一些计算机视觉任务。然而,这些网络只能粗略地模仿人类的视觉感知。与人类视觉的一个区别是,它们似乎不会像人类一样感知虚幻的轮廓(例如Kanizsa广场)。来自视觉皮层的生理学证据表明,对虚幻轮廓的感知可能涉及反馈连接。循环反馈神经网络会像人类一样感知虚幻的轮廓吗?在这项工作中,我们为深度前馈卷积网络配备了大脑启发的循环动力学。该网络首先在自然图像数据集上使用无监督重建目标进行预训练,以将其暴露于自然对象轮廓统计。然后,添加了一个分类决策层,并对模型进行了形式辨别任务的微调:正方形与随机定向的诱导物形状(没有虚幻的轮廓)。最后,该模型进行了测试与陌生的“虚幻轮廓”的配置:诱导形状的方向,以形成一个虚幻的正方形。与前馈基线相比,迭代“预测编码”反馈导致更多虚幻的轮廓被归类为物理正方形。错觉轮廓的感知在模型产生的图像重建的亮度曲线中是可测量的,这表明模型真的“看到”了错觉。消融研究表明,自然图像预训练和反馈纠错都是至关重要的错觉的知觉。最后,我们在更深层次的网络(VGG)中验证了我们的结论:添加相同的预测编码反馈动力学再次导致虚幻轮廓的感知。
2021-06-16 cs.CV q-bio.NC
Extended Object Tracking and Classification based on Linear Splines
Università degli Studi di Firenze(佛罗伦萨大学)
本研究提出基于线性样条的二维扩展目标跟踪分类框架,推导两类散射场景下的似然函数,设计结合非线性卡尔曼滤波与贝叶斯分类的估计器,经实验验证其性能优于现有主流方法。
2024-10-31 cs.CV
Automated Classification of Cell Shapes: A Comparative Evaluation of Shape Descriptors
针对含噪细胞轮廓的形状分类难题,该研究对比评估了椭圆傅里叶描述子等多种形状特征,基于合成数据集筛选出最优描述子并用于真实图像定性分析,为细胞类型识别等生物与病理任务提供支撑。
2024-11-01 cs.CV q-bio.QM
Automatic system for counting cells with elliptical shape
Instituto de Física de São Carlos - Universidade de São Paulo(圣保罗大学圣卡洛斯物理研究所)
本文提出了一种新的方法,自动量化的椭圆形细胞在图像中,一个重要的和具有挑战性的问题,一直在研究的计算机视觉社区。所提出的方法可以通过两个主要步骤来描述。首先,基于k均值算法进行图像分割,以将不同类型的细胞从背景中分离出来。然后,一个强大的和有效的策略上执行的斑点轮廓接触细胞分裂。由于轮廓处理,该方法实现了良好的检测结果相比,由专家进行手动检测。
2012-01-15 cs.CV
Technical Report - Automatic Contour Extraction from 2D Neuron Images
Institute of Mathematics and Statistics - USP(圣保罗大学数学与统计研究所);Instituto de Física de São Carlos - USP(圣保罗大学圣卡洛斯物理研究所)
这项工作描述了一种新的方法,自动轮廓提取从2D图像的3D神经元(如相机lucida图像和其他类型的2D显微镜)。大多数基于轮廓的形状分析方法不能用于表征这样的细胞,因为神经元过程之间的重叠。拟议的框架是专门针对的问题,即使在存在多个重叠的轮廓。首先,对输入图像进行预处理,以获得具有一个像素宽的分支的8连接骨架,以及一组关键区域(即,分叉和交叉)。接下来,对于每个子树,跟踪阶段迭代地标记分支的所有有效像素,直到临界区域,在该临界区域中,它确定合适的方向以继续进行。最后,标记的骨架段之后,以产生分析下的神经元形状的参数轮廓。所报告的系统成功地测试了几个图像和一组三个神经元图像的结果在这里呈现,每个属于不同的类,即α,δ和β神经节细胞,共包含34个交叉。算法成功地跨越了所有这些重叠。该方法也被发现表现出鲁棒性,即使是图像与密切的平行段。所提出的方法是鲁棒的,并且可以以有效的方式实现。这种方法的引入应该为更系统地应用基于轮廓的形状分析方法在神经元形态学中铺平道路。
2008-10-24 cs.CV q-bio.NC
Instance segmentation of fallen trees in aerial color infrared imagery using active multi-contour evolution with fully convolutional network-based intensity priors
The Hong Kong Polytechnic University(香港理工大学);Bavarian Forest National Park(巴伐利亚森林国家公园)
在本文中,我们介绍了一个框架分割实例的一个共同的对象类的多个活动轮廓进化的语义分割地图的图像,通过完全卷积网络。轮廓演变被铸造作为一个能量最小化的问题,其中的总能量功能结合了一个数据拟合项,一个明确的形状模型,并占对象重叠。提出了有效的解决方案邻域算子,使优化通过元算法,如模拟退火。我们实例化的背景下分割个人下降的干高分辨率航空多光谱图像的建议框架。我们在3个不同复杂度的真实场景上验证了我们的方法。试验地块位于德国巴伐利亚森林国家公园的地区,那里遭受了严重的树皮甲虫侵扰。在多边形和线段两个层次上进行了评价,表明多轮廓分割可以达到0.93的精度和0.82的召回率。与迭代样本共识线段检测相比,召回率提高了7个百分点(PP),精确度提高了6个百分点。尽管简单的应用形状参数化,明确的形状模型纳入能量函数提高了结果高达4 PP的召回。最后,我们展示了使用基于深度学习的语义分割方法作为个体词干检测基础的重要性。我们的方法是一个步骤,增加自动倒树映射的可访问性,由于更高的成本效益相比,激光扫描的航空图像采集。精确的倒木图可进一步用作植物和动物生境模拟、森林生态系统固碳和土壤质量研究的基础。
2021-05-05 cs.CV
Conjugate Product Graphs for Globally Optimal 2D-3D Shape Matching
University of Bonn(波恩大学);University of Siegen(锡根大学)
本文提出基于共轭乘积图的全新2D-3D形状匹配形式化方法,首次引入高阶代价与局部刚性先验,有效规避退化解,实现全局最优、连续且支持部分形状的匹配。
2023-04-03 cs.CV
Liver Segmentation in Abdominal CT Images via Auto-Context Neural Network and Self-Supervised Contour Attention
Seoul National University(首尔国立大学);Soong-sil University(崇实大学)
由于肝脏的形状变化大、边界不清晰,因此对肝脏图像的精确分割是一个具有挑战性的问题。虽然全卷积神经网络(CNN)的应用已经显示出突破性的结果,但有限的研究集中在泛化性能上。在这项研究中,我们引入了一个CNN肝脏分割腹部计算机断层扫描(CT)图像,表现出较高的泛化性能和准确性。为了提高泛化性能,我们首先提出了一个自动上下文算法在一个单一的CNN。所提出的自动上下文神经网络利用一个有效的高层次的残差估计,以获得形状先验。相同的双路径被有效地训练以表示相互互补的特征,用于肝脏的准确后验分析。此外,我们通过采用自监督轮廓方案来扩展我们的网络。我们训练稀疏轮廓特征,通过惩罚地面实况轮廓,将更多的轮廓注意力集中在故障上。实验结果表明,该网络的结果在更好的准确性相比,国家的最先进的网络,减少了10.31%的Hausdorff距离。我们使用180个腹部CT图像进行训练和验证。与最先进的神经网络相比,双重交叉验证。新的多个N折交叉验证进行验证的泛化性能。该网络表现出最好的泛化性能的网络。此外,我们提出了一系列的消融实验,全面支持的重要性的基本概念。
2020-02-14 cs.CV
A higher-order active contour model of a `gas of circles' and its application to tree crown extraction
许多图像处理问题涉及识别场景中给定实体所占据的图像域中的区域。这些问题的自动解决方案需要模型,将显着的先验知识的形状的区域。当区域的拓扑结构先验未知时,例如当实体由未知数量的相似对象组成时,用于包括这种知识的许多方法遇到困难。高阶活动轮廓(HOAC)表示一种用于对关于形状的非平凡先验知识进行建模的方法,而不必约束区域拓扑结构,通过在定义模型的能量中包含区域边界点之间的非局部相互作用。未知数量的圆形物体的情况出现在许多领域,例如医学,生物,纳米技术和遥感图像。由先验未知数目的圆组成的区域可称为“圆的气体”。在这份报告中,我们提出了一个HOAC模型的“气体的圆圈”。为了保证稳定的圆,我们进行了稳定性分析,通过一个功能的泰勒展开的HOAC能量周围的圆形形状。该分析根据其他参数固定其中一个模型参数,并约束其余参数。结合适当的似然能量,我们将该模型应用于从航空图像中提取树冠,并表明新模型优于其他技术。
2006-11-22 cs.CV
Tongue contour extraction from ultrasound images based on deep neural network
Université Pierre et Marie Curie(皮埃尔和玛丽·居里大学);SIGnal processing and MAchine learning Lab, ESPCI ParisTech, PSL Research University(巴黎高等物理化工学院信号处理与机器学习实验室,巴黎文理研究大学);Vocal Tract Visualization Lab, University of Maryland Dental School(马里兰大学牙科学院声道可视化实验室)
使用超声波研究语音过程中的舌头运动是一个标准程序,但自动超声图像标记仍然是一个挑战,因为标准的舌头形状提取方法通常需要人工干预。提出了一种基于深度神经网络的舌体轮廓自动提取方法。我们使用经过训练的深度自动编码器来学习图像及其相关轮廓之间的关系,以便模型能够仅从超声图像自动重建轮廓。在本文中,我们使用自动标记算法,而不是耗时的手工标记在训练过程中,并估计自动标记和轮廓提取的性能相比,手工标记。观察结果显示质量评分与最新技术水平相当。
2016-05-19 cs.CV
Learning Contour-Guided 3D Face Reconstruction with Occlusions
Zhejiang Lab(之江实验室)
针对遮挡场景下3D人脸重建难以捕捉精细几何细节的问题,提出受GANs和凹凸映射启发的轮廓引导方法,通过中级形状细化及遮挡区域细节生成,实现鲁棒真实的重建效果。
2025-03-16 cs.CV
Multivariate Planar Curves: A Statistical Framework for Shape Analysis in Images
研究在图像分析的监督分类中用对象轮廓作预测器,开发多元平面曲线统计学习框架,联合建模轮廓保留组件信息,扩展相关工具,经模拟和心脏肥大检测问题验证,该框架能准确恢复参数并提高分类准确性。
2026-07-24 cs.CV stat.ME stat.ML
Shape-Biased Domain Generalization via Shock Graph Embeddings
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Brown University(布朗大学)
有一种新兴的感觉,图像卷积神经网络(CNN)的脆弱性,即,对图像损坏、扰动和对抗攻击的敏感性与纹理偏差有关。这种形状偏差的相对缺乏也是领域泛化(DG)性能不佳的原因。包括形状的作用消除了这些弱点,并且一些方法已经通过在负像、具有边缘图的图像或具有冲突的形状和纹理信息的图像上进行训练来实现这一点。本文提出了一种基于经典计算机视觉的形状表示方法,即用等高线图的冲击图表示图像的形状内容。得到的图及其描述符是轮廓内容的完整表示,并使用最近的图神经网络(GNN)方法进行分类。三个域移位数据集,彩色MNIST,PACS和VLCS的实验结果表明,即使不使用外观的基于形状的方法超过经典的图像CNN的方法在领域泛化。
2021-09-13 cs.CV cs.LG
Psi-Net: Shape and boundary aware joint multi-task deep network for medical image segmentation
Indian Institute of Technology Madras (IITM)(印度理工学院马德拉斯分校);Healthcare Technology Innovation Centre (HTIC), IITM(印度理工学院马德拉斯分校医疗技术创新中心);Indian Institute of Information Technology Design & Manufacturing Kancheepuram (IIITDM)(坎奇普拉姆印度信息技术设计与制造学院);Zasti
图像分割是许多医学应用中的主要任务。最近,许多由U-Net衍生的深度网络已被广泛用于各种医学图像分割任务。然而,在大多数情况下,类似于U网的网络会产生粗糙和不光滑的分割,并具有许多不连续性。为了提高和改进U-Net类网络的性能,我们建议使用并行解码器,这些解码器在执行掩码预测的同时还执行轮廓预测和距离图估计。轮廓和距离图有助于确保分割预测的平滑性。为了便于三个任务的联合训练,我们提出了一种新的架构,称为Psi-Net,具有单个编码器和三个并行解码器(因此具有$Ψ$的形状),一个解码器学习分割掩码预测,另外两个解码器学习轮廓检测和距离图估计的辅助任务。这些辅助任务的学习有助于捕获形状和边界信息。我们还提出了一个新的联合损失函数的建议架构。损失函数由负对数似然和均方误差损失的加权组合组成。我们使用了两个公开可用的数据集:1)用于视杯和视盘分割任务的Origa数据集和2)用于息肉分割任务的Endovis分割数据集来评估我们的模型。我们已经使用我们的网络进行了大量的实验,以证明我们的模型在分割,边界和形状度量方面提供了更好的结果。
2019-08-14 cs.CV
A comprehensive study of clustering a class of 2D shapes
本文关注的聚类相对于2D轮廓的形状和大小,是3D物体的横截面的边界的革命。我们提出了一些相似性措施的基础上结合不同的Procrustes分析(PA)和动态时间规整(DTW)的距离。这项研究的动机和主要应用来自考古学。所进行的计算实验是针对考古陶器的聚类。
2021-11-12 cs.CV