本文介绍了一种学习和检测3D形状的独特区域的新方法。与之前需要标记数据的作品不同,我们的方法是不受监督的。我们对从3D形状采样的点集进行分析,并在深度神经网络中进行无监督的形状聚类任务,以学习局部和全局特征,以区分相对于给定形状集的形状。为了使网络以无人监督的方式学习,我们设计了基于聚类的非参数softmax分类器,其具有形状的迭代聚类,以及用于增强特征嵌入质量和稳定学习过程的适应的对比损失。到那时,我们鼓励网络学习输入形状的点独特性。我们广泛地评估了我们方法的各个方面,并展示了它在3D场景中的独特引导形状检索,采样和视图选择的应用。
translated by 谷歌翻译
本文通过最大化本地和全局图像上下文在显着对象内,周围和之外的集成,提出了一种新的深度神经网络设计。我们的关键思想是在整个特征映射上自适应地传播和聚合具有可变衰减的图像上下文。为实现这一目标,我们设计了空间衰减上下文(SAC)模块,以便根据不同的衰减因子反复转换和聚合上下文特征,然后专注地学习权重以自适应地集成聚合的上下文特征。通过对模块进行深层次处理以处理深层网络(即SAC-Net)中的各个层,我们可以端到端地训练网络并优化用于检测显着对象的上下文特征。与22种最先进的方法相比,实验结果表明,我们的方法在六种常见的基准数据上,无论是在数量上还是在视觉上都优于所有人。
translated by 谷歌翻译
在这项工作中,我们报告了结合IEEE国际生物医学成像研讨会(ISBI)2016和国际医学影像计算机辅助干预会议(MICCAI)2017年组织的肝肿瘤分割基准(LITS)的设置和结果。将24种有效的最先进的肝脏和肝脏肿瘤分段算法应用于一组131个计算机断层扫描(CT)体积,具有不同类型的肿瘤对比度水平(高强度/低强度),组织异常(转移瘤)大小和不同程度的病变。已提交的算法已在70个未公开的卷上进行了测试。该数据集是与七家医院和研究机构合作创建的,由三位独立的放射科医师手动审查。我们发现没有一种算法对肝脏和肿瘤表现最佳。最佳肝脏分割算法的Dice评分为0.96(MICCAI),而对于肿瘤分割,最佳算法评估为0.67(ISBI)和0.70(MICCAI)。 LITS图像数据和手动注释继续通过在线评估系统公开提供,作为持续的基准测试资源。
translated by 谷歌翻译
皮肤镜图像上的自动皮肤病变分割是计算机辅助诊断黑素瘤的重要组成部分。最近,已经提出了许多用于自动皮肤损伤分割的完全监督的基于深度学习的方法。然而,这些方法需要来自经验丰富的皮肤科医生的大量像素注释,这非常昂贵且耗时。在本文中,我们通过利用标记和未标记的数据提出了一种新的半监督方法forskin病变分割。通过仅标记输入的共同监督损失和标记和未标记数据的正则化损失的加权组合来优化网络。在本文中,我们提出了一种新的半监督方法forskin病变分割,其中网络通过仅标记输入的共同监督损失和标记和未标记数据的混合损失的加权组合来优化。我们的方法鼓励使用不同规则化下的网络训练的输出对未标记图像进行一致的预测,以便它可以利用未标记的数据。为了利用未标记的数据,我们的方法鼓励对不同正则化的相同输入的训练网络进行一致的预测。针对半监督分割问题,我们通过在自我集成模型中引入包括旋转和翻转在内的变换,增强了正则化对像素级预测的影响。我们的方法只有300个标记的训练样本,在国际皮肤成像协作(ISIC)2017皮肤病变分割挑战的基准上创下了新记录。这样的结果明显超过了用2000标记数据训练的完全监督的现有技术。
translated by 谷歌翻译
从3D扫描获得的点云通常是稀疏的,不规则的和嘈杂的,并且需要被合并。在本文中,我们提出了第一个基于学习的边缘感知技术,以促进点云的整合。我们设计我们的网络来处理分组在本地补丁中的点,并训练它以学习和帮助巩固点,故意为边缘。为此,我们制定了一个回归组件,以同时恢复上采样特征的3D点坐标和点到边距离,以及具有感知功能的关节损失函数,以直接最小化从输出点到3D网格和边缘的距离。与以前的基于神经网络的工作相比,我们的整合是边缘感知的。在综合过程中,我们的网络可以检测到检测到的锐边,并实现更精确的3D重建。此外,我们在虚拟扫描点云上训练我们的网络,证明了我们的方法在合成和实际点云上的性能,提供了各种表面重建结果,以及展示了我们的方法如何超越了最先进的技术。
translated by 谷歌翻译
皮肤镜图像中的自动病变分割是计算机辅助诊断黑素瘤的必要步骤。皮肤镜检查图像表现出旋转和反射对称性,然而,这种几何特性在基于现有技术的基于卷积神经网络的皮肤损伤分割方法中尚未被编码。在本文中,我们通过扩展最近的grouprotation等效网络〜\ cite {cohen2016group},提出了一个深度监督的皮肤病变分割旋转等变网络。具体来说,我们提出了G-upampling和G-projection操作,以使旋转等效分类网络适应我们的皮肤病变分割问题。为了进一步提高性能,我们将深度监督方案集成到我们提出的旋转等变分段架构中。整个框架与输入变换等效,包括旋转和反射,这提高了网络效率,从而有助于分割性能。我们在ISIC 2017皮肤病变挑战数据集上广泛评估我们的方法。实验结果表明,我们的旋转等效网络在不同的实验设置下始终优于具有相同模型复杂度的常规对应物。我们的最佳模型在测试数据集上达到了77.23 \%(JA),超越了最先进的挑战方法,并进一步证明了我们提出的深度监督旋转等变分割网络的有效性。我们的最佳模型也优于最先进的挑战性方法,进一步证明了我们提出的深度监督旋转等效分割网络的有效性。
translated by 谷歌翻译
肝癌是导致癌症死亡的主要原因之一。为了帮助医生进行肝细胞癌的诊断和治疗计划,在临床实践中需要一种准确的自动肝脏和肿瘤分割方法。最近,完全卷积神经网络(FCN),包括2D和3D FCN,在许多体积图像分割中充当了骨干。然而,2D卷积不能充分利用沿第三维的空间信息,而3D卷绕遭受高计算成本和GPU内存消耗。为了解决这些问题,我们提出了一种新颖的混合密集连接的UNet(H-DenseUNet),它由2D DenseUNet组成,用于有效地提取片内特征,以及3Dcounterpart,用于在肝脏和肿瘤的自动上下文算法的精神下分层聚集体积上下文。分割。我们以端到端的方式制定H-DenseUNet的学习过程,其中可以通过混合特征融合(HFF)层联合优化切片表示和片间特征。我们对MICCAI 2017肝肿瘤分割(LiTS)挑战和3DIRCADb数据集的数据集进行了广泛的评估。我们的方法在肿瘤的分割结果方面优于其他现有技术,并且即使使用单一模型也能实现非常有竞争力的分割效果。
translated by 谷歌翻译
由于不准确的检测和识别,自主车辆可能做出错误的决定。因此,智能车辆可以将自己的数据与其他车辆相结合,提高感知能力,从而提高检测精度和驾驶安全性。然而,多车协同感知要求现实世界场景的整合和原始传感器数据交换的流量远远超过现有车载网络的带宽。据我们所知,我们是第一个对原始数据级合作感知进行研究的人。提高自驾系统的检测能力。在这项工作中,依靠LiDAR 3D点云,我们完成了从连接车辆的不同位置和角度收集的传感器数据。提出了一种基于点云的三维物体检测方法,用于对齐点云的多样性。 KITTI和我们收集的数据集的实验结果表明,所提出的系统通过扩展感知区域优于感知,提高了检测精度并促进了增强结果。最重要的是,我们证明可以通过现有的车载网络技术传输用于协作感知的pointclouds数据。
translated by 谷歌翻译
条件生成对抗网络(GAN)中的对抗性损失未被设计为直接优化目标任务的评估度量,因此,可能不总是引导GAN中的生成器生成具有改进的度量分数的数据。为了克服这个问题,我们提出了一种新颖的MetricGAN方法,旨在针对一个或多个评估指标优化发电机。此外,基于MetricGAN,生成数据的度量分数也可以由用户任意指定。我们在语音增强任务上测试了所提出的MetricGAN,这特别适合于验证所提出的方法,因为存在多个度量来测量语音信号的不同方面。此外,这些指标通常是复杂的,并且无法通过Lp或传统的对抗性无法完全优化。
translated by 谷歌翻译
我们介绍了DeepICP--一种新颖的端到端学习型3D点云注册框架,可以达到与先进的几何方法相当的注册精度。与通常需要RANSAC程序的其他基于关键点的方法不同,我们实现了使用各种深度神经网络结构来建立端到端的可训练网络。我们的关键点检测器通过这种端到端结构进行训练,并使系统能够避免动态对象的推断,利用静止物体上足够显着特征的帮助,从而实现高稳健性。不是在现有点之间搜索相应的点,而是关键的贡献是我们基于一组候选者之间的学习匹配概率创新地生成它们,这可以提高注册准确性。我们的损失功能结合了局部相似性和全局几何约束,以确保所有上述网络设计能够朝着正确的方向收敛。我们使用KITTI数据集和Apollo-SouthBay数据集全面验证了我们方法的有效性。结果表明,我们的方法比最先进的基于几何的方法实现了可比较的或更好的性能。包括详细的消融和可视化分析,以进一步说明我们网络的行为和见解。低注册错误以及我们方法的高稳健性使其对依赖点云注册任务的实质性应用具有吸引力。
translated by 谷歌翻译