Handwritten Devanagari Script Segmentation: A non-linear Fuzzy Approach
MCKV Institute of Engineering（MCKV工程学院）；Cognizant Technology Solutions（高知特信息技术公司）；Jadavpur University（贾达普大学）
针对手写体梵文图像分割技术中存在的一些关键问题，提出了一种提高手写体梵文图像分割精度的方法。在目前的工作中，我们已经开发出一种新的基于特征的方法识别的Matra像素从一个词的图像，设计的非线性模糊隶属函数的标题估计，最后设计的非线性模糊函数识别分割点的Matra。通过当前技术实现的分割准确率为94.8%。这表明在用于当前实验的300字数据集上，性能比以前的技术[1]提高了1.8%。
2015-01-22 cs.CV
UCP-Net: Unstructured Contour Points for Instance Segmentation
Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；List（利斯特实验室）
交互式分割的目标是帮助用户尽可能快速和准确地生成分割掩码。交互必须简单直观，并且产生令人满意的分割掩模所需的交互次数应尽可能少。在本文中，我们提出了一种新的方法，交互式分割的基础上无约束的轮廓点击初始分割和分割细化。我们的方法是类不可知的，并产生准确的分割掩码（IoU > 85%），与流行的分割数据集（COCO MVal，SBD和Berkeley）上的最新方法相比，用户交互次数更少。
2021-09-15 cs.CV
Active Contour Models for Manifold Valued Image Segmentation
图像分割是根据图像的颜色、纹理、运动或形状等特征将图像划分为不同区域或组的过程。活动轮廓是图像中对象分割的一种流行的变分方法，其中用户选择一个轮廓，该轮廓会进化以优化目标函数，从而使所需的对象边界成为最优解。最近，出现了产生流形值图像的成像模式，例如DT-MRI图像、矢量场。传统的活动轮廓模型对这类图像不起作用。本文将活动轮廓模型推广到流形值图像。正如预期的那样，我们的算法检测图像中具有相似流形值的区域。我们的算法也产生预期的结果，通常的灰度图像，因为这些都是平凡的例子，流形值的图像。作为我们的一般活动轮廓模型的另一个应用，我们执行纹理分割的灰度图像，首先创建一个适当的流形值的图像。我们展示了流形值图像和纹理图像的分割结果。
2013-11-11 cs.CV
A Robust Fuzzy Clustering Technique with Spatial Neighborhood Information for Effective Medical Image Segmentation
National College of Engineering（国立工程学院）；Sathakathullah Appa College（萨塔卡图拉·阿帕学院）；Manonmaniam Sundaranar University（马诺尼亚姆·孙达拉纳大学）
医学图像分割需要一种高效、鲁棒的抗噪声分割算法。传统的模糊c均值算法是一种有效的聚类算法，用于医学图像分割。但是FCM非常容易受到噪声的影响，因为它只使用强度值来聚类图像。提出了一种新的有效的模糊空间c均值聚类算法，该算法对噪声具有鲁棒性。该算法利用模糊空间信息计算隶属度。使用所提出的ISFCM算法对输入图像进行聚类。传统的FCM和建议的ISFCM之间进行了比较研究。所提出的方法被发现是优于传统的FCM。
2010-04-10 cs.CV
Contour Loss for Instance Segmentation via k-step Distance Transformation Image
School of Artificial Intelligence, University of Chinese Academy of Sciences (UCAS)（中国科学院大学人工智能学院）；Institute of Automation Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所）；College of Information Science and Technology, Beijing University of Chemical Technology (BUCT)（北京化工大学信息科学与技术学院）
实例分割的目的是在图像中定位目标，并在像素级上分割出每个目标区域，是计算机视觉中最重要的任务之一。Mask R-CNN是一种经典的实例分割方法，但我们发现其预测的Mask在轮廓附近不清晰、不准确。针对这一问题，本文借鉴基于距离变换图像的轮廓匹配思想，提出了一种新的损失函数，称为轮廓损失。轮廓损失的目的是专门优化的预测面具的轮廓部分，从而可以确保更准确的实例分割。为了使提出的轮廓损失能够在现代神经网络框架下进行联合训练，我们设计了一个可微的k步距离变换图像计算模块，可以在线近似计算预测掩模和相应的地面真实掩模的截断距离变换图像。提出的轮廓损失可以集成到Mask R-CNN等现有的实例分割方法中，并与其原有的损失函数相结合，无需修改推理网络结构，具有较强的通用性。在COCO上的实验结果表明，轮廓丢失是有效的，可以进一步提高实例分割的性能。
2021-02-22 cs.CV
Possibilistic Fuzzy Local Information C-Means for Sonar Image Segmentation
University of Florida（佛罗里达大学）；University of Missouri（密苏里大学）
侧视合成孔径声纳（SAS）可以产生非常高质量的海底图像。当观察这些图像时，人类观察者通常可以很容易地识别各种海底纹理，如沙波纹，硬砂，海草和岩石。在本文中，我们提出了可能性模糊局部信息C-均值（PFLICM）的方法来分割SAS图像到海底区域，表现出这些不同的自然纹理。建议的PFLICM方法采用模糊和可能性聚类方法，并利用（本地）空间信息进行软分割。结果显示在几个SAS场景和替代分割方法相比。
2017-09-28 cs.CV
A combined Approach Based on Fuzzy Classification and Contextual Region Growing to Image Segmentation
SAGE Research Unit ENISo, University of Sousse（苏塞大学 ENISo SAGE 研究单元）
本文提出了一种结合模糊语义区域分类和基于上下文的区域生长的图像分割方法。首先对输入图像进行过分割。然后，使用先验领域知识对这些区域进行模糊分类，以提供模糊语义标记。这使得所提出的方法，而不是使用低级别的功能，从而弥补语义差距的问题，在高级别上操作。每个过分割区域由一个向量表示，该向量给出其对不同主题标签的相应隶属度，因此整个图像由区域划分矩阵表示。通过两个主要阶段：聚焦和传播，在该矩阵上而不是图像像素上实现分割。聚焦的目的是选择种子区域，从这些区域将执行信息传播。传播阶段允许向其他区域传播，并使用模糊上下文信息，确保语义分割所需的知识。所提出的方法在乳房X线照片上的应用显示出有希望的结果
2016-08-08 cs.CV
Partial Decoder Attention Network with Contour-weighted Loss Function for Data-Imbalance Medical Image Segmentation
Institute of Medical Technology, Peking University Health Science Center, Peking University, Beijing, China（北京大学医学部医学技术研究所）；National Institute of Health Data Science, Peking University, Beijing, China（北京大学国家健康数据科学研究院）；Department of Radiology, Peking University Third Hospital, Beijing, China（北京大学第三医院放射科）；RIKEN Center for Computational Science (R-CCS), Kobe, Japan（日本京都大学RIKEN计算科学中心）；National Institute of Health Data Science, Peking University, the Institute of Medical Technology, Peking University Health Science Center, and the Institute for Artificial Intelligence, Peking University, Beijing, China（北京大学国家健康数据科学研究院、北京大学医学部医学技术研究所以及北京大学人工智能研究所）
PDANet通过轮廓加权损失函数提升小结构分割性能，优于九种现有方法，提高Dice评分2.32%-3.60%。
2026-01-20 cs.CV eess.IV
An Unsupervised Dynamic Image Segmentation using Fuzzy Hopfield Neural Network based Genetic Algorithm
提出了一种基于遗传算法的灰度图像自动分割方法。该方法主要包括空间无监督灰度图像分割，将图像划分为区域。该算法的目的是产生精确的分割图像的强度信息以及邻域关系。本文采用模糊Hopfield神经网络（FHNN）聚类方法，生成遗传算法的种群，并利用该种群对图像进行自动分割。该技术是一种强大的图像分割方法，适用于具有空间信息的单特征和多特征数据。有效性指数已被用于引入一个强大的技术，找到最佳数量的组件在图像中。实验结果表明，该算法生成的分割图像质量较好。
2012-05-30 cs.CV
ContourFormer: Real-Time Contour-Based End-to-End Instance Segmentation Transformer
Zhuzhou CRRC Times Electric Co., Ltd.（株洲中车时代电气股份有限公司）
本文提出基于DETR范式的实时端到端实例分割算法ContourFormer，通过子轮廓解耦机制和细粒度分布细化技术提升效率与精度，在多个基准数据集上实现准确性与推理速度的显著提升。
2025-04-15 cs.AI 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
Fuzzy Positive Learning for Semi-supervised Semantic Segmentation
Peking University（北京大学）；Pengcheng Laboratory（鹏城实验室）；Tsinghua University（清华大学）
半监督学习（SSL）本质上追求类边界探索，对人类注释的依赖性较小。虽然典型的尝试集中在改善不可避免的容易出错的伪标签，我们认为不同的，并诉诸于从多个可能正确的候选标签耗尽信息语义。在本文中，我们引入了模糊积极学习（FPL），以即插即用的方式进行准确的SSL语义分割，目标是自适应地鼓励模糊积极预测，并抑制高概率的消极。FPL概念简单，但实际有效，可以显着减少错误的伪标签的干扰，并逐步实现清晰的像素级语义区分。具体地说，我们的FPL方法由两个主要组成部分，包括模糊正分配（FPA），为每个像素提供自适应数量的标签和模糊正正则化（FPR），以限制模糊正类别的预测在不同的扰动下大于其余的。理论分析和广泛的实验Cityscapes和VOC 2012与一致的性能增益证明了我们的方法的优越性。
2022-11-19 cs.CV
Regional Active Contours based on Variational level sets and Machine Learning for Image Segmentation
IMT Institute for Advanced Studies Lucca（卢卡高等研究院）
图像分割是将图像分割成不同子集的问题，其中每个子集可以在颜色、强度、纹理和/或其他特征方面具有不同的表征。分割是图像处理的一个基本组成部分，在计算机视觉、目标识别和目标跟踪中起着重要的作用。主动轮廓模型（ACM）构成了一个强大的基于能量的最小化框架的图像分割，它依赖于轮廓演化的概念。从一个初始的猜测开始，轮廓演变的目的是更好地逼近实际对象的边界。以高效、有效和鲁棒的方式处理复杂图像是一个真正的挑战，特别是在存在强度不均匀性、前景/背景强度分布之间的重叠、以许多不同强度为特征的对象和/或加性噪声的情况下。在这篇论文中，为了应对这些挑战，我们提出了一些图像分割模型依赖于变分水平集方法和特定种类的神经网络，处理复杂的图像在监督和无监督的方式。实验结果表明，高精度的分割结果，所提出的模型在各种基准合成和真实图像相比，国家的最先进的活动轮廓模型。
2015-10-31 cs.CV
Contour Proposal Networks for Biomedical Instance Segmentation
Research Centre Jülich（于利希研究中心）；Heinrich Heine University（海因里希·海涅大学）；University Hospital Düsseldorf（杜塞尔多夫大学医院）
我们提出了一个概念上简单的框架对象实例分割称为轮廓建议网络（CPN），它检测可能重叠的对象在图像中，同时拟合封闭的对象轮廓使用可解释的，固定大小的表示傅立叶描述符的基础上。CPN可以将最先进的目标检测架构作为骨干网络并入到可以端到端训练的单级实例分割模型中。我们构建了具有不同骨干网络的CPN模型，并将其应用于不同模态数据集中细胞的实例分割。在我们的实验中，我们展示了在实例分割准确性方面优于U-Nets和Mask R-CNN的CPNs，并展示了具有适合实时应用的执行时间的变体。经过训练的模型在不同的细胞类型领域都有很好的泛化能力。由于该框架的主要假设是封闭的对象轮廓，它适用于广泛的检测问题，也在生物医学领域之外。PyTorch中模型架构的实现是免费的。
2021-04-07 cs.CV
Free Form based active contours for image segmentation and free space perception
University of Picardie Jules Verne（儒勒·凡尔纳皮卡第大学）；University of Limoges（利摩日大学）；CNRS（法国国家科学研究中心）；XLim Institute（XLim研究所）
在本文中，我们提出了一种新的方法来表示和发展可变形的活动轮廓。该方法结合了分段正则B{é}zier模型和局部自由变形定义的曲线演化。轮廓变形是局部约束的，这使得轮廓收敛几乎线性的复杂性，同时适应各种形状设置和处理拓扑变化的活动轮廓。我们证明了新的主动轮廓计划的有效性，视觉自由空间的感知和分割使用全方位的机器人探索未知的室内和室外环境所获得的图像。几个实验验证了国家的最先进的参数和几何活动轮廓的方法相比，并提供快速和实时的机器人自由空间分割和导航。
2016-06-15 cs.CV cs.RO
SharpContour: A Contour-based Boundary Refinement Approach for Efficient and Accurate Instance Segmentation
Birmingham University（伯明翰大学）；The University of Hong Kong（香港大学）；CUHK-Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）
在实例分割方面取得了很好的效果，但在边界区域的质量仍然不令人满意，这导致边界细化越来越受到人们的关注。在实际应用中，一个理想的后处理精化方案需要准确、通用和高效。然而，大多数现有的方法提出逐像素细化，这要么引入大量的计算成本，要么专门针对不同的骨干模型设计。基于轮廓的模型是有效的和通用的，可以与任何现有的分割方法相结合，但他们往往会产生过度平滑的轮廓，并往往失败的角落地区。在本文中，我们提出了一个有效的基于轮廓的边界细化方法，命名为SharpContour，以解决边界区域的分割。我们设计了一个新的轮廓进化过程与实例感知点分类器。我们的方法通过以离散方式更新偏移量来迭代地变形轮廓。与现有的轮廓演化方法不同，SharpContour更独立地估计每个偏移，从而预测更清晰和准确的轮廓。值得注意的是，我们的方法是通用的，可以以较小的计算成本无缝地与各种现有模型一起工作。实验表明，SharpContour在保持高效率的同时，
2022-03-24 cs.CV
Recurrent Generic Contour-based Instance Segmentation with Progressive Learning
University of Science and Technology of China（中国科学技术大学）；Zhangjiang Laboratory（张江实验室）；The University of Adelaide（阿德莱德大学）；Australian Institute for Machine Learning（澳大利亚机器学习研究所）
本文提出 PolySnake 循环轮廓细化网络，通过迭代更新与语义表示实现通用实例分割，并在场景文本和车道检测任务上验证其泛化优势。
2024-01-22 cs.CV
Saliency-Driven Active Contour Model for Image Segmentation
Chung-Ang University（中央大学）；Centre INRIA Sophia Antipolis（索菲亚·安提波利斯国家信息与自动化研究所中心）
活动轮廓模型在图像分割领域取得了显著的成功，它可以将复杂的物体从背景中分割出来，以便进一步分析。现有的主动轮廓模型可以分为基于区域的主动轮廓模型和基于边缘的主动轮廓模型。然而，这两种模型使用直接的图像数据来实现分割，并面临许多具有挑战性的问题，在初始轮廓位置，噪声敏感性，局部极小值和效率低下，由于图像强度的不均匀性。图像的显着图改变了图像的表示，使其更直观和有意义。在这项研究中，我们提出了一种新的模型，利用显着图与局部图像信息（LIF）的优点，并克服了以前的模型的缺点。该模型由图像的显著图和局部图像信息驱动，以增强活动轮廓模型的进度。在该模型中，首先计算图像的显著性图，以找到显著性驱动的局部拟合能量。然后，显着性驱动的局部拟合能量与LIF模型相结合，最终产生一个新的能量泛函。这个最终的能量泛函通过水平集公式化，并且添加调节项以更精确地跨越对象边界来演化轮廓。在不同的合成图像、真实图像和公开数据集（包括医学图像）上验证了所提出方法的质量。图像分割结果和定量比较证实了轮廓初始化的独立性，噪声不敏感性，和优越的分割精度相比，其他分割模型。
2022-05-23 cs.CV
A New Approach to Lung Image Segmentation using Fuzzy Possibilistic C-Means Algorithm
Velalar College Of Engineering and Technology（维拉拉尔工程技术学院）；Kongu Engineering College（孔古工程学院）
图像分割是图像处理的重要组成部分。分割在医学图像领域有着广泛的应用，以诊断奇怪的疾病。可以手动分割相同的医学图像。但与人工分割相比，利用该算法进行图像分割的准确性更高。在医学诊断领域中，目前可获得广泛多样的成像技术，诸如放射线照相术、计算机断层摄影（CT）和磁共振成像（MRI）。医学图像分割是后续图像分析任务的重要步骤。虽然原始的FCM算法对无噪声图像的分割有很好的效果，但它不能分割被噪声、离群点和其他成像伪影污染的图像。提出了一种基于改进模糊C均值（FCM）和模糊可能性C均值（FPCM）的图像分割方法。该方法是标准模糊C均值聚类（FCM）算法的一个推广版本。通过对标准技术的改进，消除了传统FCM技术的局限性。改进的FCM算法是通过修改标准FCM算法的距离度量来制定的，以允许标记的像素受到其他像素的影响，并抑制在分割过程中的噪声影响。在目标函数中不是有一个项，而是包括第二项，迫使成员资格尽可能高，而没有最大限制约束。在真实图像上进行实验，以研究所提出的改进的FCM技术在分割医学图像的性能。通过对标准FCM、改进FCM、模糊可能性C均值算法（FPCM）的比较，探讨了该方法的准确性。
2010-04-11 cs.CV
FFPN: Fourier Feature Pyramid Network for Ultrasound Image Segmentation
Shenzhen University（深圳大学）；Nanjing Medical University（南京医科大学）；Shenzhen RayShape Medical Technology Co., Ltd（深圳睿心医疗科技有限公司）；Shenzhen People’s Hospital（深圳市人民医院）；Jinan University（暨南大学）
针对超声图像分割中现有DTS框架轮廓编码不足、编码信息利用不充分的问题，提出基于傅里叶锚点的FFPN框架与CSR细化模块，在三个数据集上实现了精度与效率的双重提升，且具备良好泛化性。
2023-08-26 cs.CV eess.IV
Meaningful Objects Segmentation from SAR Images via A Multi-Scale Non-Local Active Contour Model
LIESMARS, Wuhan University（武汉大学测绘遥感信息工程国家重点实验室）；SPL, EIS, Wuhan University（武汉大学电子信息学院信号处理实验室）
合成孔径雷达（SAR）图像的分割是一个长期而具有挑战性的任务，不仅因为斑点噪声的存在，而且由于图像中的表面后向散射特性的变化。在SAR图像分割中，人们对相干斑效应的消除做了大量的研究，但对SAR图像后向散射系数变化的处理却很少。为了克服这两个困难，本文提出了一种新的SAR图像分割方法，利用基于非局部处理原理的多尺度活动轮廓模型。更准确地说，我们首先formulize的SAR分割问题与活动轮廓模型，通过整合非局部之间的相互作用对补丁内部和外部的分割区域。其次，提出了一种多尺度策略，以加快非局部活动轮廓分割过程，避免陷入局部极小值，从而获得更准确的分割结果。仿真和真实SAR图像的实验结果表明，该方法不仅能对相干斑噪声严重、非局部强度变化的SAR图像进行精确分割，而且适用于不同类型传感器的SAR图像。
2015-01-17 cs.CV
Fuzzy Clustering Based Segmentation Of Vertebrae in T1-Weighted Spinal MR Images
IIT-Madras（印度理工学院马德拉斯分校）
由于图像分辨率低、对比度有限，医学领域的图像分割是一个具有挑战性的领域。主要使用的传统分割技术和阈值化方法由于严重依赖于用户交互而受到限制。这些技术无法捕捉到图像中普遍存在的不确定性。当图像被噪声、异常值和其他伪影破坏时，性能进一步恶化。本文的目的是开发一种有效的鲁棒模糊C均值聚类分割椎体磁共振图像，由于其无监督的学习形式。这项工作的动机是检测脊柱几何形状和适当的定位和标记将提高医生的诊断输出。将该方法与Otsu阈值法和K-means聚类法进行了比较，并以放射科医师的标注图像为参考标准，采用Dice系数和Hausdorff距离度量对分割效果进行了评价。
2016-05-09 cs.CV
Possibilistic Fuzzy Local Information C-Means with Automated Feature Selection for Seafloor Segmentation
University of Florida（佛罗里达大学）；University of Missouri（密苏里大学）
提出了一种将侧视合成孔径声纳（SAS）图像分割成不同海底区域的可能性模糊局部信息C均值（PPLICM）方法。在这项工作中，我们调查并提出了一个自动的特征选择的SAS图像分割方法的结果。将根据选择的定量聚类有效性标准评估所选特征和从图像中得到的分割，并且将使用达到期望阈值的特征子集进行分割过程。
2021-10-14 cs.CV cs.LG
Image Segmentation using Chan-Vese Active Contours
本文全面推导并实现了Chan-Vese活动轮廓模型，利用区域强度差异分割图像，在医学和合成图像上验证了其准确性、抗噪性和优于边缘法的性能。
2025-06-24 cs.CV
Color Image Segmentation using Adaptive Particle Swarm Optimization and Fuzzy C-means
National Institute of Technology, Mizoram（米佐拉姆国家理工学院）
分割将图像划分为包含具有相似属性的像素的不同区域。模糊C均值聚类算法（FCM）的标准非上下文变体，考虑到其简单性，通常用于图像分割。使用FCM有其缺点，如它依赖于初始猜测的聚类数和高度敏感的噪声。使用FCM不能获得令人满意的视觉分割。粒子群优化算法（PSO）属于进化算法，与遗传算法（GA）相比，具有收敛速度快、参数少等优点。一个优化版本的粒子群算法可以与FCM相结合，作为一个适当的初始化，从而降低其对初始猜测的敏感性。可以使用名为自适应粒子群优化（APSO）的混合PSO算法，其改进了各种超参数（如惯性权重）的计算，学习因子超过标准PSO，使用来自群体行为的见解，从而提高聚类质量。提出了一种基于自适应粒子群优化（APSO）和模糊C均值聚类的图像分割算法--自适应粒子群优化模糊C均值聚类算法（APSOF）。实验结果表明，APSOF算法在正确识别最优聚类中心方面优于FCM算法，从而对图像像素点进行准确分类。因此，APSOF算法具有优越的性能相比，经典的粒子群优化算法（PSO）和模糊C均值聚类算法（FCM）的图像分割。
2020-04-18 cs.CV
UCAD: Uncertainty-guided Contour-aware Displacement for semi-supervised medical image segmentation
University of Science and Technology of China（科学技术大学）；Suzhou Institute for Advanced Research（苏州先进研究院）；State Key Laboratory of Precision and Intelligent Chemistry（精密与智能化学国家重点实验室）
UCAD通过基于不确定性的轮廓感知位移框架，提升半监督医学图像分割的准确性和一致性学习效果。
2026-01-24 cs.CV
Walk the Lines 2: Contour Tracking for Detailed Segmentation
University of Hamburg（汉堡大学）
本文提出 WtL2 轮廓跟踪算法，将原 WtL 从彩色舰船扩展到红外舰船和多样化 RGB 物体，以轮廓跟踪替代 NMS 生成 1 像素宽闭合轮廓，实现精细分割并取得高峰值 IoU。
2025-11-07 cs.CV
Joint Object Contour Points and Semantics for Instance Segmentation
Northeastern University（东北大学）；Beijing Information Science and Technology University（北京信息科技大学）；Science and Technology on Space Physics Laboratory（空间物理重点实验室）；The University of Auckland（奥克兰大学）
目标轮廓的属性对于实例分割任务具有重要意义。然而，目前流行的大部分深度神经网络对物体边缘信息关注不多。受制作实例分割数据集时人类注释过程的启发，本文提出了Mask Point R-CNN，旨在促进神经网络对对象边界的关注。具体来说，我们创新性地将原始的人体关键点检测任务扩展到任何物体的轮廓点检测。基于这种类比，我们为Mask R-CNN提出了一个轮廓点检测辅助任务，它可以通过有效地使用特征融合策略和多任务联合训练来增强不同任务之间的梯度流。因此，模型将对对象的边缘更敏感，并且可以捕获更多的几何特征。定量地，实验结果表明，我们的方法在Cityscapes数据集上比vanilla Mask R-CNN高3.8%，在COCO数据集上高0.8%。
2021-07-04 cs.CV
FARCLUSS: Fuzzy Adaptive Rebalancing and Contrastive Uncertainty Learning for Semi-Supervised Semantic Segmentation
Department of Artificial Intelligence, Korea University（人工智能系，韩国大学）
本文提出FARCLUSS框架，通过模糊伪标签等四项技术解决半监督语义分割的未标记数据利用问题，在基准测试中优于现有方法，提升了代表性不足类别与模糊区域的分割效果。
2026-08-12 cs.CV cs.LG eess.IV
A Multiphase Image Segmentation Based on Fuzzy Membership Functions and L1-norm Fidelity
East China Normal University（华东师范大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Michigan State University（密歇根州立大学）
本文提出了一种基于模糊隶属函数和L1模保真度的变分多相图像分割模型。然后，我们应用乘子的交替方向法来解决一个等价的问题。所有的子问题都可以有效地解决。具体来说，我们提出了一种快速的方法来计算模糊中值。实验结果表明，基于L1范数的方法比基于L2范数的方法对脉冲噪声等异常值具有更好的鲁棒性，并且保持了更好的对比度。在理论上证明了极小元的存在性，并分析了算法的收敛性。
2016-02-12 cs.CV math.OC
Confidence Contours: Uncertainty-Aware Annotation for Medical Semantic Segmentation
针对医学图像分割中单一边界标注无法体现标注者不确定性、模型生成的不确定性图难解释的问题，提出可直接捕获不确定性的置信度轮廓表示及配套标注系统，实验验证其表征能力强、标注负担低、易被医学专家理解。
2023-12-20 cs.CV cs.HC
Pixel-level Corrosion Detection on Metal Constructions by Fusion of Deep Learning Semantic and Contour Segmentation
National Technical University of Athens（雅典国家技术大学）；University of West Attica（西阿提卡大学）
金属结构的腐蚀检测是土木工程中快速、安全和有效检测的主要挑战。现有的图像分析方法倾向于将边界框放置在缺陷区域周围，这对于结构分析和预制都是不够的，这是一种创新的建筑概念，可以减少维护成本，时间并提高安全性。在本文中，我们将三种面向语义分割的深度学习模型（FCN，U-Net和Mask R-CNN）用于腐蚀检测，与其他深度模型（例如CNN）相比，它们在准确性和时间方面表现更好，并且需要更少数量的注释样本。然而，最终得到的图像对于结构分析和预制仍然不够准确。因此，我们采用了一种新的数据投影方案，该方案融合了颜色分割的结果，产生准确但过度分割的区域轮廓，以及深度掩模的处理区域，从而产生高置信度的腐蚀像素。
2020-08-12 cs.CV cs.LG eess.IV
Learning Panoptic Segmentation from Instance Contours
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）；University of Maryland-College Park（马里兰大学帕克分校）；Valeo Vision Systems（法雷奥视觉系统公司）
全景分割的目的是在像素级别上提供对背景（素材）和对象（事物）实例的理解。它结合了语义分割（像素级分类）和实例分割的单独任务，以构建一个统一的场景理解任务。通常，通过组合单独或联合学习的语义和实例分割任务（多任务网络）来导出全景分割。通常，通过在对象检测器之上添加前景掩模估计层或使用将像素分配给实例中心的实例聚类方法来构建实例分割网络。在这项工作中，我们提出了一个完全卷积的神经网络，它可以从语义分割和实例轮廓（事物的边界）中学习实例分割。实例轮廓与语义分割一起产生事物的边界感知语义分割。在这些结果上的连通分量标记产生实例分割。我们合并语义和实例分割结果以输出全景分割。我们在CityScapes数据集上评估了我们提出的方法，以证明定性和定量性能以及几项消融研究。我们的概述视频可以从URL访问：https://youtu.be/wBtcxRhG3e0.
2021-04-06 cs.CV cs.RO
Texture Fuzzy Segmentation using Skew Divergence Adaptive Affinity Functions
Federal University at Rio Grande do Norte（北里奥格兰德联邦大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Brazilian Federal Highway Police Station（巴西联邦公路警察局）；Universidad Nacional Autónoma de México（墨西哥国立自治大学）
数字图像分割是指对数字图像中的不同对象分配不同标签的过程，模糊分割算法已成功地用于从各种源中分割图像。然而，传统的模糊分割算法无法分割的对象，其特征在于纹理的模式不能成功地描述简单的统计计算在一个非常有限的区域。在本文中，我们提出了一个扩展的模糊分割算法，使用自适应纹理的亲和函数来执行二维图像上的对象的分割。自适应亲和度函数根据正在处理的纹理的特性，在计算种子拼写（空间元素）周围的纹理描述符时计算其适当的邻域大小。然后，该算法分割图像与每个对象的适当的邻域。我们进行了实验的马赛克图像，使用Brodatz数据库中的图像组成，并将我们的结果与最近出版的纹理分割算法，显示我们的方法的适用性。
2017-10-07 cs.AI cs.CV cs.GR
End-to-End Deep Convolutional Active Contours for Image Segmentation
University of California, Los Angeles（加州大学洛杉矶分校）
活动轮廓模型（ACM）是一种标准的图像分析技术，其众多的变体吸引了多个领域的大量研究关注。然而，不正确的是，ACM的基于微分方程的公式化和对用户初始化的原型依赖性被认为与最近流行的图像分割的深度学习方法在很大程度上不兼容。本文介绍了这两种范式的第一个紧密统一。特别是，我们设计了深度卷积活动轮廓（DCAC），这是一个真正的端到端可训练图像分割框架，包括卷积神经网络（CNN）和具有可学习参数的ACM。ACM的欧拉能量泛函包括由骨干CNN预测的每像素参数图，其也对ACM进行了建模。重要的是，CNN和ACM组件都在TensorFlow中完全实现，整个DCAC架构是端到端自动可区分和反向传播可训练的，无需用户干预。作为一个具有挑战性的测试案例，我们解决了在航拍图像中构建实例分割的问题，并在两个公开的数据集Vaihingen和Bing Huts上评估DCAC。我们的研究结果表明，对于建筑分割，DCAC建立了一个新的国家的最先进的性能，由一个很大的利润。
2019-10-04 cs.CV
Fuzzy Semantic Segmentation of Breast Ultrasound Image with Breast Anatomy Constraints
Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）；the First Affiliated Hospital of Harbin Medical University（哈尔滨医科大学附属第一医院）
乳腺癌是影响妇女健康的最严重疾病之一。由于低成本、便携式、无辐射和高效率，乳腺超声（BUS）成像是诊断早期乳腺癌最流行的方法。然而，超声图像分辨率低，质量差。因此，开发精确的检测系统是一项具有挑战性的任务。在本文中，我们提出了一种全自动分割算法，由两部分组成：模糊全卷积网络和精确微调后处理的基础上，乳房解剖约束。在第一部分中，图像进行对比度增强预处理，并采用小波特征进行图像增强。模糊隶属函数将增强的BUS图像转换到模糊域。来自卷积层的特征也使用模糊逻辑进行处理。条件随机场（CRF）对分割结果进行后处理。利用乳房解剖层之间的位置关系来提高性能。将该方法应用于325个BUS图像的数据集，与现有方法相比，该方法在肿瘤类别上的真阳性率为90.33%，假阳性率为9.00%，交集大于并集（IoU）为81.29%，并且在五个类别上的总体交集大于并集（mIoU）为80.47%，达到了最先进的性能：脂肪层、乳腺层、肌肉层、背景和肿瘤。
2019-10-23 cs.CV
A Deep Active Contour Model for Delineating Glacier Calving Fronts
Technical University of Munich (TUM)（慕尼黑工业大学）；Technische Universität Dresden（德累斯顿工业大学）；Université Bretagne Sud（南布列塔尼大学）；IRISA（法国国家信息与自动化研究所南布列塔尼大学联合研究所）
本文将冰川崩解前沿描绘重构为轮廓追踪任务，提出结合CNN与活动轮廓模型的COBRA，在格陵兰冰川数据集上优于分割和边缘检测方法，并改善不确定性量化。
2023-07-07 cs.CV eess.IV
A Markov Random Field and Active Contour Image Segmentation Model for Animal Spots Patterns
Universidad de Antioquia UdeA（安蒂奥基亚大学（UdeA））；Instituto Tecnológico Metropolitano ITM（大都会理工学院（ITM））
使用图像的非侵入性动物生物识别技术允许分析具有条纹和斑点等图案的表型种群和个体，而不会影响研究对象。然而，非侵入式生物识别技术需要训练有素的主体或计算机视觉算法的开发，以简化识别任务。在这项工作中，经典的分割方法，需要监督调整其参数，如阈值，自适应阈值，直方图均衡化，饱和度校正的分析。与此相反，一个通用的无监督算法，使用马尔可夫随机场（MRF）的斑点模式分割的建议。活动轮廓用于使用MRF输出作为种子来增强结果。作为研究对象的Diploglossus millepunctatus蜥蜴。所提出的方法实现了$91.11\%$的最大效率。
2015-10-26 cs.CV
Neural ODEs for Image Segmentation with Level Sets
Applied Deep Learning Research (ADLR)（应用深度学习研究院（ADLR））；NVIDIA Corporation（英伟达公司）
我们提出了一种新的图像分割方法，结合神经常微分方程（NODE）和水平集方法。我们的方法参数化的初始轮廓的演变与节点，隐式地从数据中学习的速度函数描述的演变。此外，对于初始轮廓不可用的情况下，为了减轻需要仔细选择或设计的轮廓嵌入功能，我们提出了一种基于节点的方法，该方法将图像嵌入演变成密集的每像素语义标签空间。我们评估了我们的肾脏分割（KiTS 19）和显着的目标检测（PASCAL-S，ECSSD和HKU-IS）的方法。除了在使用深度学习模型参数的一小部分的情况下改进其提供的初始轮廓之外，我们的方法还实现了比几种最先进的深度学习算法更高的F分数。
2019-12-25 cs.CV cs.LG eess.IV
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
Active contours driven by local and global intensity fitting energy with application to SAR image segmentation and its fast solvers
Yantai Science and Technology Association（烟台科技协会）
提出一种基于Aubert-Aujol去噪模型的变分主动轮廓模型，混合测地线主动轮廓与无边缘主动轮廓模型，用于分割乘性伽马噪声图像，并引入两个快速不动点算法求解SAR图像分割问题。
2026-07-03 cs.CV
End-to-End Trainable Deep Active Contour Models for Automated Image Segmentation: Delineating Buildings in Aerial Imagery
University of California, Los Angeles（加州大学洛杉矶分校）
遥感图像中建筑物的自动分割是一项具有挑战性的任务，需要在通常较大的图像区域上准确描绘多个建筑物实例。手动方法通常很费力，目前基于深度学习的方法无法描述所有建筑实例，并且无法以足够的准确性做到这一点。作为一种解决方案，我们提出了可训练的深度活动轮廓（TDACs），这是一种自动图像分割框架，它将卷积神经网络（CNN）和活动轮廓模型（ACM）紧密结合在一起。ACM分量的欧拉能量泛函包括由骨干CNN预测的每像素参数图，其也对ACM进行建模。重要的是，ACM和CNN组件都在TensorFlow中完全实现，整个TDAC架构是端到端自动可区分和反向传播可训练的，无需用户干预。TDAC产生快速，准确，全自动同时描绘任意多个建筑物的图像。我们在两个公开的航空图像数据集上验证了该模型用于建筑物分割，我们的结果表明，TDAC建立了一个新的最先进的性能。
2020-07-22 cs.CV
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
An Object Aware Hybrid U-Net for Breast Tumour Annotation
Indian Institute of Information Technology Allahabad（阿拉哈巴德印度信息技术学院）
在临床环境中，在组织病理学载玻片的数字检查期间，病理学家通过标记疑似肿瘤区域周围的粗略边界来注释载玻片。标记或注释通常表示为覆盖载玻片中肿瘤的范围的多边形边界。这些多边形标记难以通过CAD技术来模仿，因为肿瘤区域是异质的，因此分割它们将需要详尽的像素方式的地面实况注释。因此，对于CAD分析，基础事实通常由病理学家明确地注释以用于研究目的。然而，这种标注通常需要用于语义或实例分割，耗时且繁琐。因此，在这项拟议的工作中，我们试图模仿病理学家一样的注释分割肿瘤范围的多边形边界。对于像多边形的注释或分割，我们使用活动轮廓，其顶点或蛇点向感兴趣的对象的边界移动，以找到最小能量的区域。为了惩罚活动轮廓，我们使用修改后的U-Net架构来学习惩罚值。提出的混合深度学习模型融合了现代深度学习分割算法和传统的Active Contours分割技术。该模型进行了测试，对国家的最先进的语义分割和混合模型对当代工作的性能评估。所获得的结果表明，可以通过开发这样的混合模型来实现病理学家般的注释，该混合模型通过经典的分割方法（如Active Contours）整合领域知识，并通过语义分割深度学习模型整合全局知识。
2022-02-22 cs.CV eess.IV
Image Segmentation and Restoration Using Parametric Contours With Free Endpoints
本文提出一种新型自由端点主动轮廓方法，通过离散化穆恩-沙赫功能实现图像分割与修复，结合曲线法向流动和端点切向流动演化规律，采用参数化轮廓与边缘保持去噪实现快速分割与修复。
2015-04-27 cs.CV cs.NA math.AP
E2EC: An End-to-End Contour-based Method for High-Quality High-Speed Instance Segmentation
Wuhan University（武汉大学）
基于轮廓的实例分割方法近年来发展迅速，但其特征在于前端轮廓初始化粗糙且手工，这限制了模型的性能，而后端预测标记顶点配对经验且固定，这导致学习困难。在本文中，我们介绍了一种新的基于轮廓的方法，命名为E2 EC，高质量的实例分割。首先，E2 EC采用了一种新的可学习的轮廓初始化架构，而不是手工绘制的轮廓初始化。这包括一个轮廓初始化模块，用于构造更明确的学习目标和一个全局轮廓变形模块，用于更好地利用所有顶点的功能。其次，我们提出了一种新的标签抽样方案，命名为多方向对齐，以降低学习难度。第三，为了提高边界细节的质量，我们动态匹配最合适的预测-地面真实顶点对，并提出了相应的损失函数命名为动态匹配损失。实验表明，E2 EC可以实现最先进的性能KITTI INStance（KINS）数据集，语义边界数据集（SBD），城市景观和COCO数据集。E2 EC在实时应用中也很高效，在NVIDIA A6000 GPU上对512*512图像的推理速度为36 fps。代码将在https://github.com/zhang-tao-whu/e2ec上发布。
2022-03-08 cs.AI cs.CV
Evolving Fuzzy Image Segmentation with Self-Configuration
Suez Canal University（苏伊士运河大学）；University of Waterloo（滑铁卢大学）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；University of Toronto（多伦多大学）
目前的图像分割技术通常需要用户调整几个参数，以获得最大的分割精度，计算效率低的方法，特别是当大量的图像必须在日常实践中顺序处理。最近提出了一种方法，根据专家用户的质量期望自动调整参数分割医学图像的进化模糊系统的使用（进化模糊图像分割EFIS）。然而，EFIS在实际应用中受到一些限制，主要是由于一些固定的参数。例如，EFIS依赖于自动检测感兴趣的对象进行特征计算，这是一项高度依赖于应用程序的任务。这一缺点限制了EFIS的适用性，EFIS的最终目标是提供一个通用但可调整的分割方案。在本文中，一个新版本的EFIS提出，以克服这些限制。新的EFIS，称为自配置EFIS（SC-EFIS），使用可用的训练数据，以自我估计的参数，固定在EFIS。同样，所提出的SC-EFIS依赖于不需要ROI的自动检测的特征选择过程。使用与EFIS相同的分割算法和相同的数据集对拟定的SC-EFIS进行评价。结果表明，SC-EFIS可以提供与EFIS相同的结果，但具有更高的自动化水平。
2015-04-23 cs.CV
Multi-feature driven active contour segmentation model for infrared image with intensity inhomogeneity
School of Electronic and Optical Engineering, Nanjing University of Science and Technology（南京理工大学电子工程与光电技术学院）；Shanghai Institute of Spaceflight Control Technology（上海航天控制技术研究所）
红外（IR）图像分割在行人监控、车辆计数、安全监控等城市防御应用中是必不可少的。主动轮廓模型（ACM）是目前应用最广泛的图像分割工具之一，但现有方法仅利用图像的局部或全局单一特征信息来最小化能量函数，容易造成红外图像的误分割。本文提出了一种多特征驱动的活动轮廓分割模型来处理灰度不均匀的红外图像。该方法首先将由全局平均灰度信息计算得到的全局信息与由局部熵、局部标准差和梯度信息计算得到的局部多特征信息相结合，构造了一种特殊设计的有符号压力（SPF）函数。然后，利用局部范围计算的自适应权系数对上述全局项和局部项进行调整。接下来，将SPF函数代入水平集公式（LSF）中进行进一步的进化。最后，经过有限次迭代，LSF收敛，并由相应的收敛结果得到红外图像分割结果。实验结果表明，该方法在红外测试图像的准确率和重叠率方面优于现有模型。
2020-11-25 cs.CV
Deep Snake for Real-Time Instance Segmentation
Zhejiang University（浙江大学）；Deepwise AI Lab（深睿医疗人工智能实验室）
本文介绍了一种新的基于轮廓的方法，称为深蛇的实时的【形】实例分割。与最近的一些直接从图像中回归对象边界点坐标的方法不同，Deep Snake使用神经网络来迭代地变形初始轮廓以匹配对象边界，这实现了基于学习的Snake算法的经典思想。对于轮廓上的结构化特征学习，我们建议在深蛇中使用循环卷积，与通用图卷积相比，它更好地利用了轮廓的循环图结构。基于Deep Snake，我们开发了一个用于实例分割的两阶段流水线：初始轮廓建议和轮廓变形，可以处理对象定位中的错误。实验结果表明，该方法在Cityscapes、KINS、SBD和COCO数据集上取得了较好的性能，同时在1080 Ti GPU上对512幅$\times$ 512图像的处理速度达到了32.3 fps，对于实时的【形】应用也是有效的。该代码可在https://github.com/zju3dv/snake/上获得。
2020-04-01 cs.CV
MARL-MambaContour: Unleashing Multi-Agent Deep Reinforcement Learning for Active Contour Optimization in Medical Image Segmentation
Sun Yat-sen University（中山大学）；The Australian National University（澳大利亚国立大学）
本文提出首个基于多智能体强化学习的轮廓级医学图像分割框架MARL-MambaContour，通过将轮廓点建模为自主智能体并结合SAC算法、ERAM机制与Mamba策略网络，实现了拓扑一致的精确分割。
2025-07-15 cs.CV
GPU-Based Fuzzy C-Means Clustering Algorithm for Image Segmentation
Universiti Sains Malaysia（马来西亚理科大学）
提出了一种基于GPU的快速实用的模糊C均值（FCM）聚类图像分割算法。首先，进行了广泛的分析，以研究并行化算法中的图像像素之间的依赖性。提出的基于GPU的FCM已经在数字脑模拟数据集上进行了测试，以分割白质（WM），灰质（GM）和脑脊液（CSF）软组织区域。对于大小为1MB的图像数据集，顺序FCM的执行时间为519秒。而提出的基于GPU的FCM算法对于相似大小的图像数据集只需要2.33秒。在具有448个处理器的CUDA设备上，对于40 KB的数据大小，估计有245倍的加速。
2016-03-28 cs.CV cs.DC
Deep Learning of Unified Region, Edge, and Contour Models for Automated Image Segmentation
UNIVERSITY OF CALIFORNIA（加利福尼亚大学）；LOS ANGELES（洛杉矶）
图像分割是计算机视觉中的一个基本且具有挑战性的问题，其应用跨越多个领域，例如医学成像、遥感和自动驾驶车辆。最近，卷积神经网络（CNN）在自动分割管道的设计中获得了牵引力。虽然基于CNN的模型擅长从原始图像数据中学习抽象特征，但它们的性能取决于合适训练数据集的可用性和大小。此外，这些模型通常无法捕获对象边界的细节，并且很难推广到看不见的类。在这篇论文中，我们设计了新的方法来解决这些问题，并建立了强大的表示学习框架，用于医学成像和主流计算机视觉中的全自动语义分割。特别是，我们的贡献包括（1）用于计算机视觉和医学图像分析的最先进的2D和3D图像分割网络，（2）端到端可训练的图像分割框架，该框架将CNN和活动轮廓模型与可学习的参数相结合，以实现快速和鲁棒的对象描绘，（3）分割网络中的边缘和纹理处理的新方法，以及（4）在监督设置和半监督设置两者中的新颖的少样本学习模型，其中利用潜在空间和图像空间之间的协同作用来学习在给定有限的训练数据的情况下分割图像。
2020-06-23 cs.CV
A Local Active Contour Model for Image Segmentation with Intensity Inhomogeneity
The Hong Kong Polytechnic University（香港理工大学）
本文提出了一种新的局部统计活动轮廓模型（ACM），用于灰度不均匀图像的分割。非均匀物体被建模为不同均值和方差的高斯分布，并使用移动窗口将原始图像映射到另一个域，其中非均匀物体的强度分布仍然是高斯分布，但更好地分离。变换域中高斯分布的均值可以通过在窗口内将偏置场与原始信号相乘来自适应地估计。然后，为每个局部区域定义统计能量泛函，其结合偏置场、水平集函数和近似对应对象的真实信号的常数。合成和真实图像上的实验表明，我们提出的算法的优越性，国家的最先进的和代表性的方法。
2013-05-30 cs.CV
An Active Contour Model with Local Variance Force Term and Its Efficient Minimization Solver for Multi-phase Image Segmentation
The Hong Kong Polytechnic University（香港理工大学）；Research Institute for Smart Energy（智慧能源研究院）
在本文中，我们提出了一个活动轮廓模型与局部方差力（LVF）项，可应用于多阶段的图像分割问题。与LVF，该模型是非常有效的分割图像的噪声。为了有效地解决这个模型，我们表示的正则项的特征函数，然后设计一个最小化算法的基础上修改的迭代卷积阈值法（ICTM），即ICTM-LVF。这种最小化算法在一定条件下具有能量衰减特性，分割效率高。为了克服主动轮廓模型的初始化问题，我们将非齐次图拉普拉斯初始化方法（IGLIM）推广到多相情形，并将其应用于ICTM-LVF求解器的初始轮廓。在合成图像和真实图像上进行了数值实验，以证明我们的初始化方法的能力，以及局部方差力在多相位图像分割中对噪声鲁棒性的有效性。
2022-03-17 cs.CV cs.NA math.NA
