一种新的种子图像自动分析方法：从采集到分割

使用黑屏亮度键控的目标检测与分割快速训练数据获取

Fast Training Data Acquisition for Object Detection and Segmentation using Black Screen Luminance Keying

Fraunhofer IGD（弗劳恩霍夫IGD研究院）；TU Darmstadt（达姆施塔特工业大学）

针对目标检测训练数据获取成本高的问题，提出基于99.99%吸光率黑屏的亮度键控方法，自动生成标注数据，在YCB-V数据集上效果优于传统渲染方法且耗时极短。

2024-05-13cs.AIcs.CV

使用卷积神经网络生成的种子点和约束体积生长监测DCE-MRI上的乳腺癌反应

Response monitoring of breast cancer on DCE-MRI using convolutional neural network-generated seed points and constrained volume growing

Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心影像科学研究所）；Department of Radiology, Antoni van Leeuwenhoek Hospital - The Netherlands Cancer Institute（荷兰癌症研究所安东尼·范·列文虎克医院放射科）

乳腺癌对新辅助化疗（NAC）的反应可以使用磁共振成像（MRI）上可见肿瘤的变化来监测。在我们目前的工作流程中，种子点被手动放置在可能包含癌症的增强区域。受约束的体积生长方法使用这些手动放置的种子点作为输入，并生成肿瘤分割。该方法使用完整的病理包埋进行了严格验证。在这项研究中，我们建议利用深度学习进行快速和自动的种子点检测，取代我们现有的和经过充分验证的工作流程中的手动种子点放置。种子点发生器是在早期乳腺癌患者中开发的，具有病理学证实的分割（N=100），在MRI后不久进行手术。它由三个独立训练的完全卷积扩张的神经网络组成，将乳腺体素分类为肿瘤或非肿瘤。随后，将局部最大值用作接受NAC的患者（N=10）中体积生长的种子点。根据半自动分割评价肿瘤体积变化的百分比。原发癌定位在95%的肿瘤中，每名患者的假阳性率为0.9。假阳性包括起源不明的局灶性增强区域和部分乳房内血管。从种子点生长的体积显示中位肿瘤体积减少70%（四分位数间距：50%-77%），与半自动分割（中位数：70%，四分位数间距：23%-76%）相当。总之，开发了一种快速自动的种子点生成器，完全自动化了一种经过充分验证的半自动工作流程，用于监测乳腺癌对新辅助化疗的反应。

2018-11-22cs.CV

在同时采集EEG/fMRI期间进行自动电极检测

Automatic Electrodes Detection during simultaneous EEG/fMRI acquisition

Univ Rennes（雷恩大学）；INRIA（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；INSERM（法国国家健康与医学研究院）；University Hospital of Rennes（雷恩大学医院）

同步EEG/fMRI采集允许以高时空分辨率测量大脑活动。EEG源的定位取决于几个参数，包括电极在头皮上的位置。MR电极在其采集期间的位置通过使用UTE序列获得，从而允许其可视化。电极的取回包括通过应用球体检测算法获得电极所在的体积。我们为每个受试者检测到大约90%的电极，我们基于UTE的电极检测显示所有受试者的平均位置误差为3.7 mm。

2018-09-17cs.CVeess.SPq-bio.NC

如何让一张照片更令人难忘？深层风格迁移方法

How to Make an Image More Memorable? A Deep Style Transfer Approach

University of Trento（特伦托大学）；INRIA Grenoble（法国国家信息与自动化研究所格勒诺布尔分部）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Perugia（佩鲁贾大学）

最近的工作表明，可以自动预测图像的内在属性，如记忆力。在本文中，我们向前迈出了一步，解决这个问题：“我们可以使一个图像更令人难忘？".自动增加图像记忆力的方法将在许多应用领域产生影响，如教育、游戏或广告。我们的工作灵感来自于Instagram和Prisma等照片编辑应用程序中流行的应用滤镜编辑模式。在这种情况下，增加图像记忆力的问题映射到检索“纪念”过滤器或风格“种子”的问题。尽管如此，用户在找到所需的解决方案之前通常必须通过大多数可用的过滤器，从而将编辑过程变成一项耗费资源和时间的任务。在这项工作中，我们证明了可以自动检索给定图像的最佳样式种子，从而显着减少了找到良好匹配所需的人工尝试次数。我们的方法利用了图像合成领域的最新进展，并采用了一种深层架构，用于从给定的输入图像和风格种子生成令人难忘的图片。重要的是，为了自动选择最佳风格，提出了一种新的基于学习的解决方案，也依赖于深度模型。我们的实验评估，进行公开的基准，证明了所提出的方法的有效性，通过自动风格种子选择生成难忘的图像

2017-04-06cs.CV

术后MRI体积（包括纵向采集）中切除腔分割的不同自动解决方案的比较

Comparison of different automatic solutions for resection cavity segmentation in postoperative MRI volumes including longitudinal acquisitions

Fraunhofer MEVIS: Institute for Digital Medicine（弗劳恩霍夫数字医学MEVIS研究所）；icometrix（icometrix公司）；Universitätsklinikum Knappschaftskrankenhaus Bochum（波鸿克纳普沙夫特医院大学诊所）

在这项工作中，我们比较了五种深度学习解决方案，以在术后MRI中自动分割切除腔。所提出的方法基于相同的3D U-Net架构。我们使用术后MRI体积的数据集，每个数据集包括四个MRI序列和相应切除腔的真实情况。使用不同的MRI序列训练四种解决方案。此外，还提出了一种利用所有可用序列进行设计的方法。我们的实验表明，仅使用T1加权对比增强MRI序列训练的方法获得了最佳结果，中值DICE指数为0.81。

2022-10-14cs.AIcs.CV

工业质量控制中的自动焊缝分割：RGB成像与偏振成像及CNN和Transformer架构的对比

Automatic weld seam segmentation for industrial quality control: a comparison of RGB and polarimetric imaging with CNN and transformer architectures

Fraunhofer Italia Research（弗劳恩霍夫意大利研究院）

本研究对比RGB与偏振成像、CNN与Transformer架构在工业焊缝自动分割中的表现，发现偏振成像无需受控采集即可达高准确率，Transformer在视点偏移下鲁棒性优于CNN。

2026-08-27cs.AIcs.CV

通过众包自动大规模数据采集用于Crosswalk分类：一种深度学习方法

Automatic Large-Scale Data Acquisition via Crowdsourcing for Crosswalk Classification: A Deep Learning Approach

正确识别人行横道是驾驶活动和移动自主性的一项重要任务。多年来，在文献中已经提出了许多人行横道分类、检测和定位系统。这些系统使用不同的视角来解决人行横道分类问题：卫星图像，驾驶舱视图（从汽车顶部或挡风玻璃后面）和行人视角。文献中的大多数作品都是使用小型和局部数据集（即多样性较低的数据集）进行设计和评估的。扩展到大型数据集对注释过程提出了挑战。此外，在文献中仍然需要进行跨数据库实验，因为通常很难在最终应用的相同地点和条件下收集数据。本文提出了一种基于深度学习的人行横道分类系统。为此，开发了OpenStreetMap和Google Street View等众包平台，通过自动获取和注释大型数据库来实现自动训练。此外，这项工作提出了使用全自动数据采集和注释训练的模型与部分注释的模型的比较研究。实验中还包括跨数据库实验，以表明所提出的方法能够用于现实世界的应用程序。我们的研究结果表明，在全自动数据库上训练的模型实现了较高的整体准确率（94.12%），并且通过手动注释数据库的特定部分可以实现统计上的显著改善（达到96.30%）。最后，跨数据库的实验结果表明，这两个模型是强大的图像和场景的许多变化，表现出一致的行为。

2018-05-30cs.CVcs.LG

基于GAN和主动学习的种子质量自动检测系统

Automated Seed Quality Testing System using GAN & Active Learning

International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）；AdTech Corp（AdTech公司）

农产品质量评估是最大限度减少粮食库存浪费的关键步骤。然而，这目前是手动完成的，通常需要专家监督，特别是在玉米等较小的种子中。我们提出了一个新的计算机视觉为基础的系统自动化这一过程。我们建立了一个新的种子图像采集设置，它捕获的顶部和底部的意见。针对此问题的数据集收集具有数据注释成本/时间和类不平衡的挑战。我们通过以下方式应对这些挑战：）使用条件生成对抗网络（CGAN）来生成具有较少图像的类的真实图像，以及ii.）通过使用基于批量主动学习（BAL）的注释工具，以最少的专家人工干预注释大型数据集。我们基准不同的图像分类模型上获得的数据集。我们能够获得高达91.6%的准确度来测试种子样品的物理纯度。

2021-10-02cs.ARcs.CV

关于热像的聚焦

On the focusing of thermal images

Brno University of Technology（布尔诺理工大学）

在本文中，我们提出了一个新的热图像数据库，适用于自动对焦措施的分析。该数据库由8组不同的场景组成，其中每个场景包含96个不同焦点位置的一个图像。使用这个数据库，我们评估的有用性的六个重点措施的目标，以确定最佳的焦点位置。实验结果表明，一个准确的自动检测的最佳焦点位置是可能的，即使具有较低的计算负担。我们还提出了一个采集工具，能够帮助热图像的采集。据我们所知，这是第一次对热图像的自动聚焦的研究。

2022-03-15cs.CV

基于多尺度深度强化学习Agent的自动视图规划

Automatic View Planning with Multi-scale Deep Reinforcement Learning Agents

Imperial College London（帝国理工学院）

我们提出了一个全自动的方法来找到标准化的视图平面在三维图像采集。标准视图图像在临床实践中很重要，因为它们提供了从相似解剖区域执行生物计量测量的方法。这些视图通常被约束到3D图像采集的原生方向。通过目标解剖结构导航以找到所需的视图平面是繁琐的并且依赖于操作者。对于这项任务，我们采用了多尺度强化学习（RL）代理框架，并广泛评估了几种基于深度Q网络（DQN）的策略。RL通过与环境的交互实现了自然的学习范式，可用于模仿有经验的操作员。我们使用解剖标志和检测平面之间的距离以及它们的法向量和目标之间的角度来评估我们的结果。在脑MRI的正中矢状面和前后连合平面以及心脏MRI中常用的四腔长轴平面上评估所提出的算法，分别达到1.53mm、1.98mm和4.84mm的准确度。

2018-06-08cs.CV

一种用于磁共振成像的快速半自动脑结构分割算法

A Fast, Semi-Automatic Brain Structure Segmentation Algorithm for Magnetic Resonance Imaging

University of Missouri（密苏里大学）

医学图像分割已成为临床和科研应用中的一项重要技术。由于人工分割方法繁琐，而全自动分割又缺乏人为干预或校正的灵活性，半自动方法成为医学图像分割的首选类型。我们提出了一种混合，半自动分割方法在3D中，集成了基于区域和基于边界的程序。我们的方法不同于以前的混合方法，因为我们分别执行基于区域和基于边界的方法，这允许更有效的分割。一个基于区域的技术被用来生成一个初始的种子轮廓，粗略地表示一个目标的大脑结构的边界，减轻在随后的模型变形阶段的局部极小值问题。该轮廓在独立于图像边缘的唯一力方程下变形。在MRI数据上的实验表明，该方法可以达到很高的精度和效率，主要是由于独特的种子初始化技术。

2019-04-21cs.CVeess.IV

使用深度神经网络联合模型在室外田间和室内实验室进行大豆豆荚和种子计数

Soybean pod and seed counting in both outdoor fields and indoor laboratories using unions of deep neural networks

Shandong Agricultural University（山东农业大学）

本研究开发了高效的深度学习模型，通过结合YOLO-SAM和YOLO-DA提升室外田间大豆豆荚和种子计数的鲁棒性，并利用Mask-RCNN-Swin在合成数据上训练实现室内实验室的高精度计数，显著加速大豆育种过程。

2025-02-21cs.CV

使用高分辨率神经EM数据自动标注轴浆网追踪连接体

Automatic Annotation of Axoplasmic Reticula in Pursuit of Connectomes using High-Resolution Neural EM Data

The Johns Hopkins University（约翰霍普金斯大学）；The Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室）；Harvard University（哈佛大学）

在超微结构水平上准确估计大脑的接线图，即连接体，是一个开放的研究问题。具体来说，精确跟踪神经过程是困难的，特别是在许多图像切片上。在这里，我们提出了一种新的方法来自动识别和注释轴突中存在的小亚细胞结构，称为轴浆网，通过高分辨率神经电子显微镜数据的3D体积。我们的方法产生高精度的注释，这可以通过使用我们的结果作为分割的种子，并作为线索，以帮助段合并，以帮助提高自动分割。

2014-04-16cs.CV

基于卷积神经网络的脑胶质瘤MRI计算机辅助诊断系统

A CADe System for Gliomas in Brain MRI using Convolutional Neural Networks

Indian Statistical Institute（印度统计研究所）；DAV Institute of Engineering and Technology（DAV工程技术学院）

受卷积神经网络（CNN）成功的启发，我们开发了一种新的计算机辅助检测（CADe）系统，使用CNN从多通道MRI数据中检测和分割多形性胶质母细胞瘤（GBM）。两阶段方法首先识别GBM的存在。随后在每个“异常”MR切片中进行GBM定位。作为CADe系统的一部分，采用两种CNN架构，即分类CNN（C-CNN）和检测CNN（D-CNN）。CADe系统将由四个序列（$T_1$、$T_{1c},$、$T_2$和$T_{2FLAIR}$）组成的MRI数据视为输入，并自动生成包含每个切片中被视为异常的肿瘤区域的边界框。实验结果表明，所提出的CADe系统，当用作分割前的初步步骤时，可以允许改进的肿瘤区域的描绘，同时减少在大脑的正常区域中出现的假阳性。用于肿瘤分割的GrowCut方法通常需要前景和背景种子区域进行初始化。在这里，该算法的初始化种子自动生成的建议CADe系统的输出，从而导致在改进的性能相比，使用随机种子。

2018-06-20cs.CV

图像采集与患者表型差异在自动分割模型泛化中的作用

Role of Image Acquisition and Patient Phenotype Variations in Automatic Segmentation Model Generalization

Mayo Clinic（梅奥诊所）；Alix School of Medicine, Mayo Clinic（梅奥诊所阿利克斯医学院）

本研究评估了医学图像分割模型在新图像采集和疾病类型上的域外泛化能力，发现使用更广泛多样化的训练数据能显著提升模型的泛化性能和临床适用性。

2023-07-26cs.CVcs.LGeess.IV

BraTS-GoAT分割的可靠性分析：深度集成不确定性的受控鲁棒性研究

Reliability analysis for BraTS-GoAT segmentation: a controlled robustness study of deep-ensemble uncertainty

University of Birmingham（伯明翰大学）

本研究针对BraTS-GoAT分割任务，对比nnU-Net单模型与深度集成模型的可靠性，发现集成模型的分歧是更敏感的采集偏移指标，其贡献为严谨的不确定性方法可靠性比较。

2026-08-27cs.CV

面向多中心采集的主动脉血管树自动分割、建模与网格划分：SEG.A. 2023主动脉分割挑战赛综述

Towards the Automatic Segmentation, Modeling and Meshing of the Aortic Vessel Tree from Multicenter Acquisitions: An Overview of the SEG.A. 2023 Segmentation of the Aorta Challenge

Institute for Artificial Intelligence (AI) in Medicine (IKIM)（人工智能医学研究所）；University Medicine Essen (AöR)（埃森大学医学部）；Research Center for Frontier Fundamental Studies（前沿基础研究研究中心）；ZhejiangLab（浙江实验室）；Institute of Computer Graphics and Vision (ICG)（计算机图形与视觉研究所）；Graz University of Technology（格拉茨技术大学）；Institute of Mechanics (IFM)（力学研究所）；Zhejiang Laboratory of Philosophy and Social Sciences - Laboratory of Intelligent Society and Governance（哲学社会科学浙江实验室-智能社会与治理实验室）；School of Electrical and Electronic Engineering（电子工程学院）；Artificial Intelligence and Robotics Institute（人工智能与机器人研究所）；Korea Institute of Science and Technology（韩国科学技术院）；Department of Artificial Intelligence（人工智能系）；Yonsei University College of Dentistry（延世大学牙科学院）；Yonsei University（延世大学）；Yonsei University College（延世大学）；Department of Radiology and Research Institute of Radiological Science and Center for Clinical Imaging Data Science（放射科与放射科学研究所及临床影像数据科学中心）

本文介绍SEG.A. 2023主动脉分割挑战赛，通过发布多机构公开数据集推动AVT自动分割研究，发现3D U-Net占主导、集成模型性能更优，建立了新基准并提供长期研究资源。

2025-10-28cs.CV

扩散噪声分布的自动、快速和鲁棒表征MRI

Automatic, fast and robust characterization of noise distributions for diffusion MRI

University Medical Center Utrecht（乌得勒支大学医学中心）

幅度扩散MRI图像中的噪声分布的知识是量化采集过程中产生的不确定性的核心。并行成像方法的使用、由扫描器应用的接收器线圈和成像滤波器的数量以及其他因素决定了所得到的信号分布。超出教科书Rician或非中心chi分布的准确估计通常需要关于采集过程的信息（例如线圈灵敏度图或重建系数），这通常是不可用的。我们介绍了一种新的方法，其中变量的变化自然会产生一个特定形式的伽玛分布的背景信号。该伽马分布的一阶矩和最大似然估计量明确地取决于线圈的数量，使得仅使用幅度数据来估计所有未知参数成为可能。一个拒绝步骤是用来使该方法自动和强大的文物。在合成数据集上的实验表明，该方法可以可靠地估计自由度和标准差。最坏情况下的误差范围从低于2%（空间均匀噪声）到大约10%（空间可变噪声）。体内数据集的重复采集表明，估计的参数是稳定的，并且比比较方法具有更低的方差。

2018-10-02cs.CVstat.AP

基于生成模型的深度网络回归数据标注：在无人机多光谱图像种子成熟度估计中的应用

Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images

INSA CVL（法国国立应用科学学院中央-卢瓦尔河谷分校）；University of Orléans（奥尔良大学）；PRISME（PRISME研究所）

针对无人机多光谱影像种子成熟度估计中真值标注困难的问题，提出基于参数与非参数生成模型的自动弱标签方法，提升深度回归网络的泛化与鲁棒性。

2022-08-09cs.CVcs.LG

一种用于前列腺近距离放射治疗中粒子识别的深度回归模型

A Deep Regression Model for Seed Identification in Prostate Brachytherapy

Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）

植入后剂量测定（PID）是前列腺近距离放射治疗的一个重要步骤，它利用CT对前列腺进行成像，并使放射性种子的位置和剂量分布与实际前列腺直接相关。然而，这是一个非常具有挑战性的任务，以确定这些种子在CT图像中，由于严重的金属伪影和高度重叠的外观时，多个种子聚集在一起。本文提出了一种基于3D深度全卷积网络的自动高效算法，用于识别CT图像中的植入种子。我们的方法将种子定位任务建模为监督回归问题，该问题将输入CT图像投影到地图，其中每个元素表示相应输入体素属于种子的概率。这种深度回归模型显著抑制了图像伪影，并使后处理更容易和更可控。该方法在一个大型临床数据库上进行了验证，该数据库包含100名患者的7820个种子，其中来自70名患者的5534个种子用于模型训练和验证。我们的方法在30名测试患者中正确检测了2286个种子中的2150个（94.1%），与广泛使用的商业种子查找软件（VariSeed，Varian，Palo Alto，CA）相比，提高了16%。

2019-06-24cs.CVeess.IVphysics.med-ph

一种自适应阈值的视盘自动分割方法

An adaptive thresholding approach for automatic optic disk segmentation

Laval University（拉瓦尔大学）；Khatam-al-Anbia Hospital, Mashhad University of Medical Sciences（马什哈德医科大学哈塔姆·安比亚医院）

视盘分割是自动视网膜筛查系统的先决条件。本文提出了一种基于局部自适应阈值分割的视盘分割算法。通过视网膜图像的强度和平均血管宽度来验证视盘的位置。然后分别对视盘的颞部和鼻部应用自适应阈值。自适应阈值，使我们的算法鲁棒的照明变化和各种图像采集条件。此外，在DRIVE和KHATAM数据库上的实验结果显示，与最近的文献相比，有希望的结果。在DRIVE数据库中，所有图像的视盘均得到正确定位，平均重叠率达到43.21%。在KHATAM数据库中，视盘的正确检测率为98%，平均重叠率为36.32%。

2017-10-14cs.CV

使用深度神经网络进行感觉运动预测的自监督身体图像采集

Self-supervised Body Image Acquisition Using a Deep Neural Network for Sensorimotor Prediction

SoftBank Robotics Europe（软银机器人欧洲公司）；Humboldt-Universität zu Berlin（柏林洪堡大学）

这项工作研究了一个天真的代理如何能够获得自己的身体形象在自我监督的方式，其感觉运动经验的可预测性的基础上。我们的工作假设是，由于其时间的稳定性，代理人的身体产生更一致的感官体验比环境，表现出更大的可变性。鉴于其运动经验，智能体因此可以可靠地预测其身体应该具有什么样的外观。这种内在的可预测性可以用来自动将身体意象与环境的其他部分隔离开来。我们提出了一个双分支的反卷积神经网络来预测与输入运动状态相关的视觉感觉状态，以及与此输入相关的预测误差。我们在用模拟Pepper机器人收集的第一人称图像数据集上对网络进行训练，并展示了如何使用网络输出自动将其可见手臂与环境的其他部分隔离开来。最后，对网络生成的人体图像的质量进行了评价。

2019-06-03cs.CVcs.LGcs.RO

从自动人脸识别的角度来看，梅拉尼娅有替身吗？

Does Melania Trump have a body double from the perspective of automatic face recognition?

EURECOM；Advanced Technologies Application Center (CENATAV)（先进技术应用中心（CENATAV））

在本文中，我们将探讨自动人脸识别是否有助于验证社交媒体上广泛存在的错误信息，特别是基于身体替身存在的阴谋论。本文所讨论的阴谋论是梅拉尼娅·特朗普的替身案。我们采用了四种不同的最先进的面部识别描述符来验证所研究的阴谋论的完整性。此外，我们还评估了不同图像质量指标对人脸识别结果变化的影响。考虑了两组图像质量指标：采集相关指标和受试者相关指标。

2021-09-06cs.CVcs.LG

骨科术中平板探测器CT-100的平面自动调整

Automatic Plane Adjustment of Orthopedic Intra-operative Flat Panel Detector CT-Volumes

Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Siemens Healthcare GmbH（西门子医疗有限公司）；BG Trauma Center（BG创伤中心）；German Cancer Research Center（德国癌症研究中心）

目的：在骨科创伤手术中，经常需要进行三维采集以评估手术结果。使用移动C形臂系统，可以在术中进行这些采集。这减少了所需的翻修手术的数量。然而，由于手术室设置，通常不能执行采集，使得采集的体积与解剖区域对准。因此，在查看体积期间需要手动调整多平面重建（MPR）平面。在本文中，我们提出了一个详细的研究多任务学习（MTL）回归网络来估计MPR平面的参数。方法首先，各种数学描述的旋转，包括欧拉角，四元数，和矩阵表示，进行了修订。然后，三种不同的MTL网络架构的PoseNet的基础上进行了比较与一个单一的任务学习网络。结果采用矩阵描述法代替欧拉角描述法，对单个解剖结构的平均值，回归法向的精度由$7.7^{\circ}$提高到$7.3^{\circ}$。多头方法改进了平面位置从$7.4mm$到$6.1mm$的回归，而定向并不受益于该方法。结论结果表明，多头方法可以导致略好于单个任务网络的结果。MTL方法最重要的好处是，它是一个单一的网络，用于所有身体区域的标准平面回归，减少了存储参数的数量。

2021-09-15cs.CVeess.IVphysics.med-ph

结合简单光切和实时算法的手控3D表面获取

Hand-guided 3D surface acquisition by combining simple light sectioning with real-time algorithms

University Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）

刚性表面的精确3D测量在许多应用领域（如质量控制或外科手术）中是期望的。通常，必须获取来自对象周围的所有视图以用于对象表面的完整3D描述。我们提出了一个传感器的原则，称为“飞行三角测量”，避免了一个复杂的“走走停停”的过程。它结合了一个低成本的经典光节传感器与算法流水线。一个手动引导的传感器在物体周围移动的同时捕捉3D视图的连续电影。视图会自动对齐，并实时显示采集的3D模型。与大多数现有的传感器相比，没有带宽被浪费用于投影线的空间或时间编码。3D采集也不需要昂贵的彩色相机。所生成的3D数据的可实现的测量不确定性和横向分辨率仅受物理限制。垂直线和水平线的交替投影保证了连续3D视图中对应点的存在。这使得能够在没有表面插值的情况下精确配准。对于注册，迭代最近点算法的一个变种-适应我们的3D视图的特定性质-被引入。此外，数据减少和平滑，而不损失横向分辨率，以及获取和映射的彩色纹理。仿真和测量结果表明了该传感器的精度和适用性。

2014-01-09cs.CVphysics.optics

Paris-Lille-3D：用于自动分割和分类的大型高质量真值城市点云数据集

Paris-Lille-3D: a large and high-quality ground truth urban point cloud dataset for automatic segmentation and classification

Mines ParisTech PSL Research University（巴黎高等矿业学院巴黎文理研究大学）；Centre for Robotics（机器人中心）

本文介绍了一种新的城市点云数据集的自动分割和分类的移动激光扫描（MLS）。我们描述了如何从采集到后处理和标记获得数据集。该数据集可用于学习分类算法，然而，考虑到对不同对象之间的分割给予了极大的关注，该数据集也可用于学习分割。该数据集由在两个城市采集的约2公里的MLS点云组成。点的数量和类的范围使我们认为它可以用于训练深度学习方法。此外，我们展示了一些自动分割和分类的结果。该数据集可在以下网址获得：http://caor-mines-paristech.fr/fr/paris-lille-3d-dataset/

2018-04-10cs.CVcs.LGstat.ML

点云数据中飞机凹陷的自动分割

Automatic Segmentation of Aircraft Dents in Point Clouds

Cranfield University（克兰菲尔德大学）

飞机蒙皮上的凹痕是常见的，并且在适航检查期间可能很容易未被发现，因为其检查过程是繁琐的，并且非常受人为因素和环境条件的影响。如今，3D扫描技术被提出用于更可靠的、不依赖于人类的测量，但检查和报告的过程仍然是费力和耗时的，因为数据采集和验证仍然是由工程师执行的。为了实现凹痕检测的完全自动化，必须通过可靠的分割算法分析采集的点云数据，从而将人类从搜索和评估损坏中解放出来。本文报告了两个自动化凹痕检测的发展。第一种是生成凹陷表面的合成数据集以训练完全卷积神经网络的方法。机器学习算法的训练需要大量的凹痕数据，这是不容易获得的。因此，在波音737结构维修手册的标准和定义范围内，以随机位置和形状模拟凹痕。然后将来自扫描设备的噪声分布添加到训练上，以反映3D点获取的完整过程。第二个命题是将3D点云转换为2.5D的曲面拟合策略。与涉及3D采样方法的最新方法相比，这允许用少量存储器处理更高分辨率的点云。与现有的地面实况数据的模拟表明，所提出的技术达到了80%以上的交集。实验证明，凹痕样本的有效检测与速度超过50万点每秒。

2023-02-24cs.CVcs.LGeess.IV

MRI中自动无参考质量评估的机器学习框架

A Machine-learning framework for automatic reference-free quality assessment in MRI

University of Stuttgart（斯图加特大学）

磁共振（MR）成像提供了各种各样的成像技术。每次检查都会产生大量数据，需要检查这些数据是否具有足够的质量，以便得出有意义的诊断。这是一个人工过程，因此需要大量时间和成本。源自扫描仪硬件、信号处理或由患者引起的任何成像伪影可能会降低图像质量并使诊断或任何图像后处理复杂化。因此，以自动化方式评估或确保足够的图像质量是非常重要的。通常没有参考图像可用或难以定义。因此，传统的基于参考的方法不适用。模仿人类观察者（HO）的模型观察者可以帮助完成这项任务。因此，我们提出了一种新的基于机器学习的无参考MR图像质量评估框架，该框架在HO衍生标签上进行训练，以在每次采集后立即评估MR图像质量。我们包括主动学习的概念，并提出了一个有效的盲读平台，以减少在HO标记过程中的努力。研究了250例患者的衍生图像特征和应用的分类器（支持向量机、深度神经网络）。MR图像质量评估框架可以实现93.7 $\%$的高测试准确度，用于在5点Likert量表上估计质量类别。所提出的MR图像质量评估框架能够提供准确且有效的质量估计，其可以用作包括自动采集自适应或引导MR扫描器操作的前瞻性质量保证，和/或用作包括支持诊断决策或队列研究中的质量控制的回顾性质量评估。

2018-07-18cs.CVcs.LGstat.ML