协同视觉显著性检测方法综述

协同视觉显著性检测是视觉注意力计算领域中一个快速发展的新兴分支,致力于检测多幅相关场景图像中的公共显著目标,在各种计算机视觉任务中有广泛应用.考虑到特征提取策略的设计是协同视觉显著性检测当前研究的重点,本文首先根据特征提取策略的不同对现有的协同视觉显著检测方法进行了分类介绍和定性分析.其次,通过在5个公开数据库上的主观和定量对比,对各流行算法的性能进行了评估,分析了特征提取策略对算法性能的影响以及各数据库的复杂度,并验证了协同视觉显著性检测和视觉显著性检测的区别.最后,对本文工作进行了总结,并对当前研究中存在的问题和未来的研究工作进行了讨论.     

基于双模型交互学习的半监督医学图像分割

在医学图像中,器官或病变区域的精准分割对疾病诊断等临床应用有着至关重要的作用,然而分割模型的训练依赖于大量标注数据.为减少对标注数据的需求,本文主要研究针对医学图像分割的半监督学习任务.现有半监督学习方法广泛采用平均教师模型,其缺点在于,基于指数移动平均(Exponential moving average, EMA)的参数更新方式使得老师模型累积学生模型的错误知识.为避免上述问题,提出一种双模型交互学习方法,引入像素稳定性判断机制,利用一个模型中预测结果更稳定的像素监督另一个模型的学习,从而缓解了单个模型的错误经验的累积和传播.提出的方法在心脏结构分割、肝脏肿瘤分割和脑肿瘤分割三个数据集中取得优于前沿半监督方法的结果.在仅采用30%的标注比例时,该方法在三个数据集上的戴斯相似指标(Dice similarity coefficient, DSC)分别达到89.13%, 94.15%, 87.02%.     

一种基于点标注的弱监督目标检测方法

近年来,弱监督目标检测在计算机视觉和机器学习领域获得了广泛的关注.点标注是弱标注的形式之一,它依赖人工标注,为图像中的每一个物体赋予一个标注点.尽管在过去的几年中,出现了许多基于深度学习的弱监督目标检测算法,但当前基于点标注的弱监督目标检测的探索仍处于空白.考虑到点标注可以为弱监督目标检测提供丰富的、与感兴趣物体相关的...