亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

語義圖像分割任務包括將圖像的每個像素分類為一個實例，其中每個實例對應一個類。這個任務是場景理解或更好地解釋圖像的全局上下文概念的一部分。在醫學圖像分析領域，圖像分割可用于圖像引導干預、放療或改進的放射診斷。本綜述將基于深度學習的醫學和非醫學圖像分割解決方案分為六大組:深度架構、基于數據合成、基于損失函數、排序模型、弱監督和多任務方法，并對每一組的貢獻進行全面綜述。然后，針對每一組，我們分析了每一組的不同，并討論了當前方法的局限性和未來語義圖像分割的研究方向。

雖然像CNNs這樣的深度學習模型在醫學圖像分析方面取得了很大的成功，但是小型的醫學數據集仍然是這一領域的主要瓶頸。為了解決這個問題，研究人員開始尋找現有醫療數據集之外的外部信息。傳統的方法通常利用來自自然圖像的信息。最近的研究利用了來自醫生的領域知識，通過讓網絡模仿他們如何被訓練，模仿他們的診斷模式，或者專注于他們特別關注的特征或領域。本文綜述了將醫學領域知識引入疾病診斷、病變、器官及異常檢測、病變及器官分割等深度學習模型的研究進展。針對不同類型的任務，我們系統地對所使用的不同類型的醫學領域知識進行了分類，并給出了相應的整合方法。最后，我們總結了挑戰、未解決的問題和未來研究的方向。

隨著機器學習、圖形處理技術和醫學成像數據的迅速發展，機器學習模型在醫學領域的使用也迅速增加。基于卷積神經網絡(CNN)架構的快速發展加劇了這一問題，醫學成像社區采用這種架構來幫助臨床醫生進行疾病診斷。自2012年AlexNet取得巨大成功以來，CNNs越來越多地被用于醫學圖像分析，以提高臨床醫生的工作效率。近年來，三維(3D) CNNs已被用于醫學圖像分析。在這篇文章中，我們追溯了3D CNN的發展歷史，從它的機器學習的根源，簡單的數學描述3D CNN和醫學圖像在輸入到3D CNNs之前的預處理步驟。我們回顧了在不同醫學領域，如分類、分割、檢測和定位，使用三維CNNs(及其變體)進行三維醫學成像分析的重要研究。最后，我們討論了在醫學成像領域使用3D CNNs的挑戰(以及使用深度學習模型)和該領域可能的未來趨勢。

在許多實際應用中，獲取足夠的大規模標記數據以充分訓練深度神經網絡通常是困難和昂貴的。因此，將學習到的知識從一個單獨的、標記過的源域轉移到一個未標記或標記稀疏的目標域成為一種有吸引力的選擇。然而，直接轉移常常由于域轉移而導致顯著的性能下降。域適應(DA)通過最小化源域和目標域之間域轉移的影響來解決這個問題。多源域自適應(Multi-source domain adaptation, MDA)是一種功能強大的擴展，可以從具有不同分布的多個源收集標記數據。由于DA方法的成功和多源數據的流行，MDA在學術界和工業界都受到越來越多的關注。在本次綜述中，我們定義了各種MDA策略，并總結了可供評估的可用數據集。我們還比較了深度學習時代的MDA方法，包括潛在空間轉換和中間域生成。最后，討論了未來MDA的研究方向。

【導讀】無人機計算機視覺相關檢測和跟蹤（ Vision Meets Drones）作為近年來的研究熱點之一，受到了廣泛關注，這兩年在各大會議上都有相關文章發表，并且也有一些競賽。當前，無人機收集的視覺數據的自動理解變得非常困難，并且其用途廣泛，天津大學的朱鵬飛博士、京東數字科技文瓏銀博士和紐約州立大學奧爾巴尼分校的獨大為博士等新出的這篇論文對近幾年基于無人機視覺檢測和跟蹤方法和數據集進行了全面綜述，總結了當前面臨的挑戰，提出了未來的發展方向和改進方向。作者也提供了一個大規模的無人機捕獲數據集VisDrone，其中包括四個track，即(1)圖像目標檢測，(2)視頻目標檢測，(3)單目標跟蹤，(4)多目標跟蹤。對每一個track進行了詳細得說明，并強調VisDrone是迄今為止發布的最大的此類數據集，可以在無人機平臺上對視覺分析算法進行廣泛的評估和研究。

//github.com/VisDrone/VisDrone-Dataset

【摘要】配備了攝像頭的無人機，或稱通用無人機，已經被快速部署到廣泛的應用領域，包括農業、航空攝影、快速遞送和監控。因此，對無人機收集的視覺數據的自動理解變得非常困難，這使得計算機視覺和無人機之間的聯系越來越緊密。為了促進和跟蹤目標檢測和跟蹤算法的發展，我們與歐洲計算機視覺大會(ECCV) 2018和IEEE計算機視覺國際會議(ICCV) 2019聯合舉辦了兩個挑戰研討會，吸引了全世界100多支團隊。我們提供了一個大規模的無人機捕獲數據集VisDrone，其中包括四個track，即(1)圖像目標檢測，(2)視頻目標檢測，(3)單目標跟蹤，(4)多目標跟蹤。本文首先對目標檢測和跟蹤數據集和基準進行了全面的回顧，并討論了收集具有完全手動標注的大規模基于無人機的目標檢測和跟蹤數據集的挑戰。之后，我們描述了VisDrone數據集，該數據集是從中國北方到南方的14個不同城市的各個城市/郊區捕獲的。VisDrone是迄今為止發布的最大的此類數據集，它可以在無人機平臺上對視覺分析算法進行廣泛的評估和研究。我們詳細分析了無人機大尺度目標檢測與跟蹤領域的現狀，總結了當前面臨的挑戰，提出了未來的發展方向和改進方向。我們預計這一基準將極大地促進無人機平臺視頻分析的研發。可以從以下網站下載所有數據集和實驗結果：

參考鏈接：

引言

近年來，計算機視覺因其在交通監控、智慧城市、人機交互等領域的廣泛應用而受到越來越多的關注。作為計算機視覺的兩個基本問題，目標檢測和跟蹤一直受到廣泛的關注。在導致計算機視覺技術快速發展的眾多因素和努力中，值得注意的貢獻應歸功于眾多基準和挑戰的發明或組織, 如目標檢測的Caltech [1], KITTI [2], ImageNet [3], 和MS COCO [4]，目標跟蹤的OTB [5], VOT [6], MOTChallenge [7], UA-DETRAC [8], 和LaSOT [9]。

配備攝像頭的無人機已經被快速部署到廣泛的領域，包括農業、航空攝影、快速投遞和監視。因此，對從這些無人機收集的視覺數據的自動理解變得非常困難，這將計算機視覺越來越緊密地帶入了無人機。盡管一般的計算機視覺算法(如檢測和跟蹤)取得了很大的進步，但這些算法通常不是處理無人機捕獲的序列或圖像的最佳算法。這是由于各種各樣的挑戰，如較大的視點變化和規模。因此，為無人機捕獲的視覺數據開發和評估新的視覺算法至關重要。然而，正如[10]和[11]所指出的，由于缺乏公開的大規模基準或數據集，對這一目標的研究受到嚴重限制。最近，[10]、[11]和[12]致力于構建無人機捕獲的數據集，這些數據集主要用于目標檢測或跟蹤。由于數據收集和標注方面的困難，這些數據集的大小和涉及的場景仍然有限。對現有或新開發的算法進行徹底的評估仍然是一個開放的問題。為了進一步推進無人機平臺視頻分析研究，需要一個更通用、更全面的基準。

因此，作者與歐洲計算機視覺大會(ECCV) 2018和IEEE國際計算機視覺大會(ICCV) 2019聯合舉辦了兩次挑戰研討會，吸引了全世界100多個研究團隊。挑戰集中在目標檢測和跟蹤的四個track。

• 圖像目標檢測跟蹤(DET)。

• 視頻目標檢測跟蹤(VID)。

• 單目標跟蹤(SOT)。

• 多目標跟蹤(MOT)。

值得注意的是，在研討會挑戰中，本文提供了一個大型數據集，包含179個視頻中263個視頻片段; 10個視頻中的264幀畫面; 209張靜態圖像。數據由不同的無人機相機記錄，包括位置(取自中國14個不同的城市)、環境(城市和農村地區)、物體(如行人、車輛和自行車)和密度(稀疏和擁擠的場景)。作者選擇了10類在無人機應用中最受關注的目標，比如行人和汽車。作者共仔細標注了來自這些類別的超過250萬個目標實例的邊界框。此外，還提供了一些重要的屬性，包括場景的可見性、目標類別和遮擋，以提高數據使用率。表1列出了所提供的無人機數據集與其他相關基準數據集在目標檢測和跟蹤方面的詳細比較。

在這篇論文中，作者重點關注了2018年和2019年的VisDrone挑戰，以及挑戰的方法、結果和評估方案，希望這一挑戰能在很大程度上促進相關領域的研究和發展。

【導讀】圖像分割（Image Segmentation）是計算機視覺的經典問題之一，受到了廣泛關注，每年在各大會議上都有大量的相關文章發表。在前深度學習時代有大量的方法提出，比如分水嶺、GraphCut等。隨著深度學習的興起，大量的算法提出如R-CNN、Mask-RCNN等。最近來自紐約大學、滑鐵盧大學、UCLA等學者發布了深度學習圖像分割最新綜述論文，涵蓋20頁pdf168篇參考文獻，調研了截止2019年提出的100多種分割算法，共分為10類方法。對近幾年深度學習圖像分割進行了全面綜述，對現有的深度學習圖像分割研究進行梳理使其系統化，并提出6方面挑戰，幫助讀者更好地了解當前的研究現狀和思路。可作為相關領域從業者的必備參考文獻。

題目：Image Segmentation Using Deep Learning: A Survey

作者：Shervin Minaee, Yuri Boykov, Fatih Porikli, Antonio Plaza, Nasser Kehtarnavaz, and Demetri Terzopoulos

摘要

圖像分割是圖像處理和計算機視覺領域的一個重要課題，其應用領域包括場景理解、醫學圖像分析、機器人感知、視頻監控、增強現實和圖像壓縮等。研究者們提出了各種圖像分割算法。最近，由于深度學習模型在廣泛的視覺應用中取得了成功，已經有大量的工作致力于開發使用深度學習模型的圖像分割方法。在本次綜述中，我們全面回顧了撰寫本文時的論文，涵蓋了語義級和實例級分割的廣泛先驅工作，包括全卷積像素標記網絡、編碼器-解碼器架構、基于多尺度和金字塔的方法、遞歸網絡、視覺注意力模型和在對抗環境下的生成模型。我們調研了這些深度學習模型的相似性、優勢和挑戰，研究了最廣泛使用的數據集，報告了性能，并討論了該領域未來的研究方向。

1. 引言

圖像分割是許多視覺理解系統的重要組成部分。它涉及到將圖像(或視頻幀)分割成多個段或對象[1]。分割在[2]的廣泛應用中起著核心作用，包括醫學圖像分析(如腫瘤邊界提取和組織體積測量)，自動駕駛車輛(如可導航的表面和行人檢測)，視頻監控，增強現實等。從最早的閾值化[3]、基于直方圖的分組、區域生長[4]、k-means聚類[5]、分水嶺[6]等算法，到更先進的主動輪廓[7]、圖割[8]、條件和馬爾科夫隨機域[9]、稀疏[10]-[11]等算法，文獻中已經出現了許多圖像分割算法。然而，在過去的幾年里，深度學習(DL)網絡已經產生了新一代的圖像分割模型，其性能有了顯著的提高——通常在流行的基準測試中獲得了最高的準確率——致使許多人認為的該領域的范式轉變。例如，圖1展示了一個著名的深度學習模型DeepLabv3[12]的樣本圖像分割輸出。

圖像分割可以表示為帶有語義標簽的像素分類問題(語義分割)或單個對象的分割問題(實例分割)。語義分割是對所有圖像像素進行一組對象類別(如人、車、樹、天空)的像素級標記，因此通常比圖像分類更難，因為后者預測整個圖像的單個標簽。實例分割進一步擴展了語義分割的范圍，通過檢測和描繪圖像中每個感興趣的對象(例如，對個人的分割)。

我們的調研涵蓋了圖像分割的最新文獻，并討論了到2019年提出的一百多種基于深度學習的分割方法。我們對這些方法的不同方面提供了全面的回顧和見解，包括培訓數據、網絡架構的選擇、損失功能、培訓策略以及它們的關鍵貢獻。我們對所述方法的性能進行了比較總結，并討論了基于深度學習的圖像分割模型的幾個挑戰和未來可能的方向。

我們將基于深度學習的工作根據其主要技術貢獻分為以下幾類:

• 完全卷積網絡
• 卷積模型與圖形模型
• Encoder-decoder基礎模型
• 基于多尺度和金字塔網絡的模型
• 基于R-CNN的模型(例如實例分割)
• 擴展卷積模型和DeepLab家族
• 基于遞歸神經網絡的模型
• 基于注意力的模型
• 生成模型和對抗性訓練
• 具有活動輪廓模型的卷積模型
• 其他模型

本綜述論文的一些主要貢獻可以總結如下:

本次綜述涵蓋了與分割問題相關的現有文獻，并綜述了截止2019年提出的100多種分割算法，共分為10類。

我們提供了一個全面的調研和使用深度學習的分割算法的不同方面的深度分析，包括訓練數據，網絡架構的選擇，損失函數，訓練策略，以及他們的關鍵貢獻。

我們提供了一個概述約20個流行的圖像分割數據集，分為2D, 2.5D (RGB-D)，和3D圖像。

我們提供了一個比較總結的性質和性能的審查方法的分割目的，在流行的基準上進行。

我們為基于深度學習的圖像分割提出了一些挑戰和潛在的未來方向。

該調研的其余部分組織如下: 第2節提供了流行的深度神經網絡架構的概述，作為許多現代分割算法的主干。第3節全面概述了最重要的、最先進的、基于深度學習的細分模型，截至2019年已有100多個。我們也討論了他們的長處和貢獻超過以往的工作在這里。第四部分回顧了一些最流行的圖像分割數據集及其特點。第5.1節回顧了評價基于深度學習的細分模型的流行指標。在5.2節中，我們報告了這些模型的定量結果和實驗性能。在第6節中，我們將討論基于深度學習的分割方法的主要挑戰和未來的發展方向。最后，我們在第7節中提出我們的結論。

論文主題： Deep Semantic Segmentation of Natural and Medical Images: A Review

論文摘要： （醫學）圖像語義分割任務包括將圖像的每個像素（或幾個像素）分類為一個實例，其中每個實例（或類別）對應于一個類。此任務是場景理解概念的一部分，或更好地解釋全局 圖像的上下文。在醫學圖像分析領域，圖像分割可用于圖像引導干預、放射治療或改進的放射診斷。在這篇綜述中，我們將領先的基于深度學習的醫學和非醫學圖像分割解決方案分為六大類：深度架構、基于數據合成、基于損失函數、序列模型、弱監督和多任務方法。此外，針對每一組，我們分析了這些組的每一個變體，并討論了當前語義圖像分割方法的局限性和未來的研究方向。

摘要：深度學習是近年來應用最廣泛的心臟圖像分割方法。在這篇文章中，我們回顧了超過100篇使用深度學習的心臟圖像分割論文，這些論文涵蓋了常見的成像方式，包括磁共振成像(MRI)、計算機斷層掃描(CT)和超聲(US)以及感興趣的主要解剖結構(心室、心房和血管)。此外，公開可用的心臟圖像數據集和代碼庫的摘要也包括在內，為鼓勵重復性研究提供了基礎。最后，我們討論了當前基于深度學習的方法的挑戰和局限性(缺乏標簽、不同領域的模型可泛化性、可解釋性)，并提出了未來研究的潛在方向。