Fully Automated Binary Pattern Extraction For Finger Vein Identification using Double Optimization Stages-Based Unsupervised Learning Approach
University of Diyala(迪亚拉大学)
如今,手指静脉识别作为一种潜在的生物识别框架解决方案越来越受欢迎。基于机器学习的无监督、有监督和深度学习算法目前对手指静脉检测和识别产生了重大影响。另一方面,深度学习需要大量的训练数据集,这些数据集必须手动生成和标记。在这项研究中,我们提供了一个完全自动化的无监督学习策略来创建训练数据集。我们的方法旨在完全自动地提取和构建一个体面的二进制掩码训练数据集。在该技术中,设计并采用了两个优化步骤。优化的初始阶段是创建一个完全自动化的无监督图像聚类的基础上手指静脉图像定位。在第二次优化中采用全球手指静脉图案方向估计来优化检索到的手指静脉线。最后,该系统实现了99.6%的模式提取准确率,这是显着高于其他常见的无监督学习方法,如k-means和模糊C-均值(FCM)。
2022-05-08 cs.AI cs.CV
Advancing Automated Deception Detection: A Multimodal Approach to Feature Extraction and Analysis
OCTOBER UNIVERSITY FOR MODERN SCIENCES ARTS - MSA UNIVERSITY(十月现代科学艺术大学 - MSA大学)
针对视频内容增长下的精准欺骗检测需求,本研究通过提取融合视觉、音频、文本多模态特征,结合多种机器学习模型构建了鲁棒检测框架,准确率达99%,验证了多模态融合的性能优势,为自动化欺骗检测发展提供支撑。
2024-07-08 cs.CV
Automated fetal brain extraction from clinical Ultrasound volumes using 3D Convolutional Neural Networks
Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford(牛津大学工程科学系生物医学工程研究所);Nuffield Department of Obstetrics and Gynaecology, John Radcliffe Hospital, University of Oxford(牛津大学约翰拉德克利夫医院妇产科);Big Data Institute, Li Ka Shing Centre for Health Information and Discovery, University of Oxford(牛津大学李兆基健康信息与发现中心大数据研究所)
为了提高大多数神经图像分析流水线的性能,大脑提取被用作图像处理中的基本第一步。但在胎儿大脑发育的情况下,需要一种可靠的美国专用工具。在这项工作中,我们提出了一个完全自动化的三维CNN的方法,胎儿脑提取从三维美国临床体积与最小的预处理。我们的方法准确可靠地提取大脑,而不管这种成像方式固有的大数据变化。它还在14至31周的胎龄范围内始终如一地执行,无论受试者的姿势变化,尺度,甚至图像中的部分特征遮挡,都优于所有当前的替代方案。
2019-11-19 cs.CV eess.IV
Automated Behavioral Analysis Using Instance Segmentation
Cornell University(康奈尔大学)
针对动物行为分析标注数据稀缺、成本高的问题,提出基于实例分割迁移学习的方法,微调分类头实现多动物追踪与行为分析,仅需少量标注即可达到人类级性能,还开源了Annolid工具包。
2023-12-12 cs.AI cs.CV
Scatteract: Automated extraction of data from scatter plots
Bloomberg LP(彭博有限合伙企业)
图表是传达数据中的模式和趋势的一种很好的方式,但它们并不便于进一步建模数据或密切检查单个数据点。我们提出了一个完全自动化的系统,用于从散点图的图像中提取数据点的数值。我们使用深度学习技术来识别图表的关键组件,并使用光学字符识别和鲁棒回归来将像素映射到图表的坐标系。我们专注于线性尺度的散点图,它已经有了一些有趣的挑战。以前的工作已经完成了其他类型的图表的全自动提取,但据我们所知,这是第一个方法,是全自动的散点图。我们的方法表现良好,在我们的测试集中89%的图上实现了成功的数据提取。
2017-04-21 cs.CV cs.IR stat.ML
GPU Acclerated Automated Feature Extraction from Satellite Images
National Remote Sensing Centre, Indian Space Research Organization(印度空间研究组织国家遥感中心)
大量遥感数据的可用性要求特征提取具有更高的自动化程度,这使得它成为一个小时的需求。需要处理的数据量巨大,需要启用加速处理。GPU,最初设计用于提供高效的可视化,被大量用于计算密集型并行处理环境。一般来说,图像处理以及因此自动化的特征提取是高度计算密集型的,其中性能改进对社会需求具有直接影响。在这种情况下,已经制定了一种算法,用于基于图像处理技术从全色或多光谱图像中自动提取特征提取。在图像上分别应用两个拉普拉斯高斯(LoG)掩模,然后检测零交叉点并基于像素与周围像素的标准偏差提取像素。将具有不同LoG掩模的两个提取的图像组合在一起,从而产生具有提取的特征和边缘的图像。最后,用户可以根据所提取的图像中的噪声内容自由地应用图像平滑步骤。图像通过混合中值滤波器从图像中去除椒盐噪声。本文讨论了上述自动特征提取算法,部署GPU的必要性;系统级挑战,并量化了在这种环境中集成GPU的好处。实验结果表明,在充分利用GPU资源的前提下,采用高效的并行化策略,可以显著提高算法的性能裕度。与传统的计算方案相比,性能结果提供了20倍的加速比,在实现这种并行化策略。
2013-04-15 cs.CV cs.DC
SecurePose: Automated Face Blurring and Human Movement Kinematics Extraction from Videos Recorded in Clinical Settings
SecurePose是一个开源软件,利用OpenPose姿态估计在临床视频中自动识别患者并模糊面部,同时提取全身运动学信息,在116名脑瘫儿童步态视频上验证其去标识化准确性优于六种现有方法且速度提升91.08%。
2025-07-18 cs.AI cs.CV
Automated Estimation of the Spinal Curvature via Spine Centerline Extraction with Ensembles of Cascaded Neural Networks
Erasmus University Medical Center(伊拉斯姆斯大学医学中心);Ecole des Mines de Saint-Etienne(圣艾蒂安国立矿业学院);Ecole Centrale Marseille(马赛中央理工学院);TU Delft(代尔夫特理工大学)
脊柱侧凸是一种由异常的脊柱弯曲定义的疾病。对于脊柱侧凸的诊断和治疗计划,可以使用Cobb角估计脊柱弯曲。我们提出了一种自动化的方法,从X射线扫描的Cobb角的估计。首先,使用两个卷积神经网络的级联来分割脊柱的中心线。在平滑中心线后,使用中心线的导数自动估计Cobb角。我们使用专家手动评估和自动预测之间的平均绝对误差和平均对称平均绝对百分比误差来评估结果。为了进行优化,我们使用了来自伦敦健康科学中心的609次X射线扫描,为了进行评估,我们参加了国际挑战“精确自动脊柱曲率估计,MICCAI 2019”(100次扫描)。在挑战的测试集上,我们获得了22.96的平均对称平均绝对百分比误差。
2019-12-11 cs.CV eess.IV
Automated brain extraction of multi-sequence MRI using artificial neural networks
German Cancer Research Center (DKFZ)(德国癌症研究中心);University of Heidelberg Medical Center(海德堡大学医学中心);German Cancer Consortium (DKTK)(德国癌症联盟)
脑提取是MRI神经成像研究分析中的关键预处理步骤,并影响下游分析的准确性。然而,大多数大脑提取算法都是针对处理健康大脑而优化的,因此在存在病理改变的大脑或应用于异构MRI数据集时经常失败。在这里,我们介绍了一种新的,严格验证的算法(称为HD-BET)依赖于人工神经网络,旨在克服这些限制。我们证明了HD-BET在几个大规模神经成像数据集中优于六种流行的公开可用的大脑提取算法,包括来自神经肿瘤学前瞻性多中心试验的一个,产生了最先进的性能,DICE系数的中位数改善为+1.16至+2.11点,Hausdorff距离为-0.66至-2.51 mm。重要的是,HD-BET算法在存在病理或治疗诱导的组织改变的情况下表现出稳健的性能,适用于广泛的MRI序列类型,并且不受研究和临床实践中遇到的MRI硬件和采集参数变化的影响。为了更广泛的可访问性,我们的HD-BET预测算法可以免费获得(http:www.neuroAI-HD.org),并且可能成为MRI神经成像数据的鲁棒、自动化、高通量处理的重要组成部分。
2019-08-13 cs.CV
Automated Visual Attention Detection using Mobile Eye Tracking in Behavioral Classroom Studies
提出一种基于移动眼动与迁移学习人脸识别的自动化流水线,以最少人工标注识别教师视觉关注的学生,在U形和小型教室中准确率分别约0.7和0.9,可辅助教学改进。
2025-09-25 cs.AI cs.CV cs.HC
SmartScan: An AI-based Interactive Framework for Automated Region Extraction from Satellite Images
Schlumberger-Doll Research(斯伦贝谢-多尔研究中心)
SmartScan是一个基于AI的交互式框架,利用SAM模型从卫星图像中自动提取子空间,支持数据整理和自主两种模式,以最少人工干预实现高通量、高质量的传感器放置区域提取,适用于多领域超高分辨率图像。
2025-03-31 cs.CV
Leveraging Vision Capabilities of Multimodal LLMs for Automated Data Extraction from Plots
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出无需微调的零样本提示工作流 PlotExtract,利用多模态 LLM 从双轴科研图表中提取数据,并证明其精确率超 90%、位置误差约 5% 以下。
2025-03-16 cond-mat.mtrl-sci cs.AI cs.CV
Machine-based Multimodal Pain Assessment Tool for Infants: A Review
University of South Florida(南佛罗里达大学);University of Science and Technology Beijing(北京科技大学)
床边护理人员通过观察特定的疼痛行为和生理体征,以恒定的间隔评估婴儿的疼痛。该标准有两个主要局限性。第一个局限性是间歇性的疼痛评估,这可能会导致婴儿在无人看管的情况下错过疼痛。第二,它是不一致的,因为它取决于观察者的主观判断,并在观察者之间存在差异。间歇性和不一致的评估可能导致治疗效果不佳,从而造成严重的长期后果。为了减轻这些限制,目前的标准可以通过自动化系统来增强,该系统可以连续监测婴儿并提供定量和一致的疼痛评估。已经引入了几种自动化方法来基于行为或生理疼痛指标的分析自动评估婴儿的疼痛。本文全面回顾了自动化方法(即,特征提取的方法)用于分析婴儿的疼痛和当前在自动疼痛识别方面的努力。此外,它还回顾了研究界可用的数据库,并讨论了自动疼痛评估的当前局限性。
2019-01-16 cs.CV
Automated skin lesion segmentation using multi-scale feature extraction scheme and dual-attention mechanism
Vellore Institute of Technology(韦洛尔理工学院);V R Siddhartha Engineering College(V R悉达多工程学院)
从皮肤镜图像中分割皮肤病变对于诊断皮肤癌是必不可少的。但由于背景与病灶对比度差、图像伪影多、病灶边界不清晰等原因,使得自动分割较为复杂。在这项工作中,我们提出了一个深度学习模型,用于从皮肤镜图像中分割皮肤病变。为了解决皮肤病变特征提取的难题,我们设计了一个多尺度特征提取模块,用于提取具有鉴别力的特征。进一步在这项工作中,开发了两种注意力机制来细化后上采样特征和编码器提取的特征。该模型使用ISIC 2018和ISBI 2017数据集进行评估。该模型的性能优于所有现有的作品和排名靠前的模型在两个比赛。
2022-06-07 cs.CV eess.IV
Automated Extraction of Spatio-Semantic Graphs for Identifying Cognitive Impairment
Arizona State University(亚利桑那州立大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出从 Cookie Theft 图片描述中自动提取内容信息单元以构建时空语义图,从而刻画视觉叙事路径,实验证明该方法可有效区分认知受损与未受损人群,且效果与人工标注相当甚至更好。
2025-02-02 cs.AI cs.CL cs.CV
Automated segmentation and extraction of posterior eye segment using OCT scans
School of Automation Science and Electrical Engineering, Beihang University (BUAA)(北京航空航天大学自动化科学与电气工程学院);Khalifa University of Science & Technology(哈利法科技大学);School of Computer and Communication Engineering, University of Science & Technology Beijing(北京科技大学计算机与通信工程学院);School of Electrical Engineering and Intelligentization, Dongguan University of Technology(东莞理工学院电气工程与智能化学院)
本文提出了一种使用多供应商光学相干断层扫描(OCT)扫描的人眼后段(包括玻璃体、视网膜、脉络膜和巩膜室)的自动分割和提取方法。所提出的方法分为两个阶段。首先应用自适应阈值技术提取视网膜色素上皮(RPE)层,以识别视网膜脉络膜连接。然后,它利用结构张量引导的方法来提取内界膜(ILM)和脉络膜基质(CS)层,在候选OCT扫描中定位玻璃体-视网膜和脉络膜-巩膜交界处。此外,这三个接合边界用于针对健康和患病眼睛OCT扫描两者有效地进行后眼区室化。在1000次OCT扫描中对所提出的框架进行了评估,其中它获得了平均交叉联合(IoU)和平均Dice相似系数(DSC)得分分别为0.874和0.930。
2021-10-18 cs.CV eess.IV
Automated Vision-based Bridge Component Extraction Using Multiscale Convolutional Neural Networks
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
由于图像数据易于数据采集和在获取视觉信息方面的优势,因此在帮助土木工程结构的震后视觉检测方面具有很大的潜力。各种技术已被应用于从结构部件的特写图像自动检测损伤。然而,当图像包含来自不同结构的多个部件时,自动损伤检测方法的应用变得越来越困难。为了减少不准确的假阳性警报,需要首先识别关键结构部件,并且需要使用部件识别结果来清除损坏警报。为了实现这一目标,本研究旨在从城市场景图像中识别和提取桥梁构件。桥梁组件识别开始于将图像按像素分类为10个场景类。然后,将原始图像和场景分类结果相结合,将图像像素分为五个分量类。使用多尺度卷积神经网络(多尺度CNN)来执行逐像素分类,并且通过在超像素内求平均和通过条件随机场(CRF)进行平滑来对分类结果进行后处理。桥组件提取的性能进行了测试的准确性和一致性。
2018-05-15 cs.CV
Automated Coastline Extraction Using Edge Detection Algorithms
University College Dublin(都柏林大学学院);ADAPT SFI Research Centre(ADAPT SFI研究中心)
本文比较四种边缘检测算法在卫星图像海岸线自动提取中的效果,发现 Canny 最接近参考边缘,并验证直方图均衡化与高斯模糊可显著提升检测性能。
2024-05-19 cs.CV cs.LG eess.IV
AFID: A Unified Open Framework for Automated Fingermark Identification, Quality Assessment and Feature Extraction
University of Ljubljana(卢布尔雅那大学);Joint Research Centre of the European Commission(欧盟委员会联合研究中心)
AFID提出统一开源框架,基于共享编码器实现指纹识别、质量评估与特征提取,仅用公开数据训练,在多个基准上超越商业匹配器,并开源代码与模型。
2026-09-09 cs.CV
Automated Invoice Data Extraction: Using LLM and OCR
K.J. Somaiya School of Engineering(K.J.索迈亚工程学院);Somaiya Vidyavihar University(索迈亚维迪亚维哈尔大学)
本文提出一个结合OCR、深度学习、LLMs和图分析的AI平台,以提高发票数据提取的质量和一致性。
2026-01-08 cs.AI cs.CV
Automated extraction of 4D aircraft trajectories from video recordings
Institut national de l'information géographique et forestière(国家地理与林业信息研究所)
本研究旨在利用摄影测量技术,基于IGN的MicMac软件开发自动化算法,从摄像机视频中提取4D飞机轨迹,以替代有时缺失的飞行记录器数据,辅助事故分析。
2024-10-14 cs.CV eess.IV
Automated National Urban Map Extraction
National Center for Remote Sensing - CNRS(国家遥感中心 - CNRS);Faculty of Engineering Lebanese University(黎巴嫩大学工程学院);WASDI Luxembourg(卢森堡WASDI公司)
本文提出基于全卷积神经网络的自动化流程,利用高分辨率卫星图像实现国家尺度建筑实例分割,并在黎巴嫩生成首个含约100万单元、准确率84%的全国建筑足迹地图。
2024-05-03 cs.CV
Estimating Presentation Competence using Multimodal Nonverbal Behavioral Cues
University of Tübingen(图宾根大学);University of Trento(特伦托大学);Hector Research Institute of Education Sciences and Psychology(赫克托教育科学与心理学研究所)
公开演讲和演讲能力在我们的教育,职业和日常生活中的许多社会互动领域中发挥着重要作用。由于我们在演讲中的意图可能与听众实际理解的内容不同,因此适当传达信息的能力需要一套复杂的技能。表达能力在早期的学校里培养,并随着时间的推移不断发展。一种可以促进演讲能力的有效发展的方法是基于视觉和音频特征和机器学习来自动分析演讲期间的人类行为。此外,这一分析可以用来建议改进和发展的技能有关的演示能力。在这项工作中,我们调查的贡献,不同的非语言行为线索,即,面部,身体姿势为基础的,和音频相关的功能,估计演示能力。这些分析是在251名学生的视频上进行的,而自动评估是根据图宾根陈述能力仪器(TIP)进行的手动评分。我们的分类结果达到了最好的性能,早期融合在同一数据集的评估(准确率为71.25%)和后期融合的语音,面部和身体姿势特征在交叉数据集的评估(准确率为78.11%)。同样,回归结果与融合策略表现最好。
2021-05-06 cs.CV cs.MM
Automated Stitching of Coral Reef Images and Extraction of Features for Damselfish Shoaling Behavior Analysis
University of the Philippines(菲律宾大学)
动物行为分析包括观察环境中各种生物之间的种内和种间相互作用。集体行为,如农场动物的放牧,鸟类的群集,鱼群的浅滩和集群提供了关于集体生存,健身,繁殖模式,群体决策和动物流行病学影响的好处的信息。在海洋动物行为学中,对集群物种行为模式的研究可以为海洋资源的规划和管理提供补充信息。目前,雀鲷物种,虽然普遍存在于热带水域,没有足够的建立基本行为的信息。这限制了珊瑚礁管理人员在保护珊瑚礁方面有效地规划压力和灾害应对措施。在野外捕获的视觉海洋数据是稀缺的,容易出现多种场景变化,主要是由运动和自然环境的变化引起的。本研究收集的雀鲷视频显示出采集过程中相机不稳定运动引起的几处场景失真。为了有效地分析浅滩行为所带来的问题,在野外捕获数据,我们提出了一个预处理系统,利用颜色校正和图像拼接技术,并提取行为特征进行手动分析。
2020-06-28 cs.CV
The Automated Bias Triangle Feature Extraction Framework
Mind Foundry Ltd(Mind Foundry有限公司);University of Oxford(牛津大学)
针对量子点稳定性图中偏压三角形依赖人工分析的问题,提出基于无监督分割的计算机视觉特征提取框架,实现物理性质量化及无训练数据的Pauli自旋阻塞检测。
2023-12-05 cond-mat.mes-hall cs.CV quant-ph
Fully Automated Photogrammetric Data Segmentation and Object Information Extraction Approach for Creating Simulation Terrain
University of Southern California(南加州大学);Institute for Creative Technologies(创意技术研究所);Ubisoft(育碧);New York University(纽约大学)
我们以前的工作已经证明,视觉上逼真的三维网格可以自动重建低成本,现成的无人机系统(UAS)配备有能力的相机,和有效的摄影测量软件技术。然而,这样生成的数据不包含对象的语义信息/特征(即,人造物体、植被、地面、物体材料等)并且不允许复杂的用户级和系统级交互。考虑到数据在创建用于训练和模拟的逼真虚拟环境中的用例(即,任务规划、演习、威胁检测等),分割数据和提取对象信息是基本任务。因此,本研究的目的是设计和开发一个全自动摄影测量数据分割和对象信息抽取框架。为了验证所提出的框架,分割的数据和提取的特征被用于在作者先前设计的仿真工具中创建虚拟环境,即,空中地形视线分析系统(ATLAS)。结果表明,三维网格树可以使用提取的个体树位置替换为具有地理典型性的三维树模型。提取的树特征(即,颜色、宽度、高度)对选择合适的树种和提高视觉质量有价值。此外,所识别的地面材料信息可以被考虑用于寻路。最短路径的计算不仅要考虑物理距离,还要考虑越野车在不同地面材料上的性能。
2020-08-09 cs.CV
An automated framework for brain vessel centerline extraction from CTA images
Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University(西安交通大学人工智能与机器人研究所);Department of Radiology, Erasmus MC(伊拉斯姆斯大学医学中心放射科);Department of Radiology, Maastricht UMC(马斯特里赫特大学医学中心放射科);Faculty of Applied Sciences, Delft University of Technology(代尔夫特理工大学应用科学学院)
本文提出一种从CTA图像自动提取脑血管中心线的框架,通过无需医生额外标注的管腔分割生成和双分支拓扑感知UNet(DTUNet)提升中心线提取性能,并在多中心数据集上优于现有方法。
2024-01-13 cs.CV eess.IV
Search Wide, Focus Deep: Automated Fetal Brain Extraction with Sparse Training Data
Harvard Medical School(哈佛医学院);Massachusetts General Hospital(麻省总医院);Pediatric Imaging Research Center(儿科影像研究中心)
针对稀疏标记数据下胎儿脑MRI提取假阳性高的问题,提出结合广度优先搜索定位与深度聚焦滑动窗口细化的测试时策略,在合成数据训练下于多类胎儿MRI扫描中达到或超越现有方法水平。
2024-10-29 cs.CV cs.LG eess.IV
Automated 3D Kinematic Monitoring for Circadian Activity and Anomaly Detection in Juvenile Fish
AI Research Center, National Taiwan Ocean Univ.(台湾海洋大学人工智能研究中心);Dept. of Aquaculture, National Taiwan Ocean Univ.(台湾海洋大学水产养殖系);Center of Excellence for the Oceans, National Taiwan Ocean University(台湾海洋大学海洋卓越研究中心)
提出结合深度学习目标检测与双目立体视觉的高通量3D行为表型框架,实现高密度环境下幼鱼实时监测、体长估计和3D轨迹重建,首次量化自由游动幼鱼的真实物理速度,建立昼夜运动基线用于生理应激预警。
2026-06-16 cs.AI cs.CV
LineFormer: Rethinking Line Chart Data Extraction as Instance Segmentation
University at Buffalo(纽约州立大学布法罗分校)
针对现有折线图数据提取方法鲁棒性不足的问题,提出基于实例分割的LineFormer方法,在多个合成与真实基准数据集上达到SOTA性能,相关代码已开源。
2023-05-03 cs.AI cs.CV
Automated Road Extraction from Satellite Imagery Integrating Dense Depthwise Dilated Separable Spatial Pyramid Pooling with DeepLabV3+
Knight Foundation School of Computing and Information Sciences(奈特基金会计算与信息科学学院);Florida International University(佛罗里达国际大学)
本文提出用密集深度可分离空洞空间金字塔池化模块替代DeepLabV3+中的ASPP,并结合主干网络与Squeeze-and-Excitation模块,以提升卫星影像中复杂道路结构的自动提取精度。
2024-10-18 cs.CV cs.LG
Automated extraction of capacitive coupling for quantum dot systems
Intel Corporation(英特尔公司);National Institute of Standards and Technology(美国国家标准与技术研究院);University of Maryland(马里兰大学)
本文提出一种结合机器学习与传统拟合的自动化电容耦合识别方法,用于量子点器件中虚拟栅极的电容串扰补偿,并能自主标记调节过程中形成的寄生量子点,从而提升量子比特操作区间的调节可靠性。
2023-05-25 cond-mat.mes-hall cs.CV cs.LG
Towards fully automated deep-learning-based brain tumor segmentation: is brain extraction still necessary?
Federal University of Santa Catarina(圣卡塔琳娜联邦大学);Santa Luzia Hospital(圣卢西亚医院)
最先进的脑肿瘤分割基于应用于多模态MRI的深度学习模型。目前,这些模型是在预处理阶段之后在图像上训练的,预处理阶段包括配准、插值、大脑提取(BE,也称为头骨剥离)和专家手动校正。然而,对于临床实践,这最后一步是繁琐和耗时的,因此,并不总是可行的,导致颅骨剥离故障,可能会对肿瘤分割质量产生负面影响。尽管如此,这种影响的程度从来没有被衡量的任何许多不同的BE方法可用。在这项工作中,我们提出了一个自动脑肿瘤分割管道,并评估其性能与多种BE方法。我们的实验表明,BE方法的选择可以损害高达15.7%的肿瘤分割性能。此外,我们提出了在非颅骨剥离图像上训练和测试肿瘤分割模型,有效地从管道中丢弃BE步骤。我们的研究结果表明,这种方法导致在一小部分的时间有竞争力的性能。我们的结论是,与当前的范例相比,当需要在临床实践中获得高性能时,在非颅骨剥离图像上训练肿瘤分割模型可能是最佳选择。
2022-12-14 cs.CV eess.IV
CNN-Based Automated Parameter Extraction Framework for Modeling Memristive Devices
Department of Electrical and Electronic Engineering, Bangladesh University of Engineering and Technology(电气与电子工程系,孟加拉国工程与技术大学)
针对RRAM紧凑模型参数提取需手动调优、耗时且适应性差的问题,提出基于CNN生成初始参数估计并结合启发式优化块的自动化框架,可快速提取Stanford RRAM模型参数,在多指标测试中实现低误差,提升RRAM建模效率与稳健性。
2025-11-11 cs.AI cs.CV cs.ET
Nellie: Automated organelle segmentation, tracking, and hierarchical feature extraction in 2D/3D live-cell microscopy
Calico Life Sciences LLC(Calico生命科学有限责任公司);University of California San Francisco(加州大学旧金山分校)
Nellie是一个自动化、无偏的流水线,用于活细胞显微镜中细胞器的分割、追踪和层次化特征提取,通过适应元数据、增强对比度和模式匹配实现,并提供无代码GUI和开源扩展,适用于多种生物学分析场景。
2024-10-15 cs.AI cs.CV cs.LG