hierarchical segmentation

最新推荐文章于 2024-05-30 11:54:45 发布
最新推荐文章于 2024-05-30 11:54:45 发布
阅读量4.7k 收藏 8
点赞数
CC 4.0 BY-SA版权
分类专栏： 图割 文章标签： clustering 计算机视觉 机器学习 图像处理 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u012671431/article/details/19964663
本文介绍了如何通过Oriented Watershed Transform (OWT) 和 Ultrametric Contour Map (UCM) 实现图像的层次分割，以修复边界检测器检测出的非封闭边界。首先，利用OWT产生初始区域，然后构建UCM以形成轮廓层次树。通过调整阈值，可以合并区域并得到封闭的分割结果。整个过程包括边界检测、OWT的弧修正和UCM的区域合并，最终实现高质量的图像分割。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、目的：由于边界检测器检测出来的边界大多时候都不是封闭的，因此，我们要在确保边界质量的基础上修复边界。

二、大概思想：在之前边界检测器检测出的轮廓基础上，使用层次分割。首先使用一种新的分水岭变换——OWT，产生一系列初始的小区域，然后我们利用这些小区域的边界建立一个超度量等值线图（UCM），OWT-UCM可以看做是将轮廓换成轮廓层次树的一种方法。整个过程如下图：


第1幅图：原图；

第2幅图：轮廓检测器检测出来的轮廓；

第3幅图：采用OWT-UCM方法得出的结果，都是封闭的区域；

第4幅图：采用最合适的UCM值进行初始的过分割，调节阈值，可以合并一些区域，每个区域的颜色采用这个区域原来颜色的平均值；

第5幅图：UCM在0.5得到的分割结果。

三、Oriented Watershed Transform(OWT)

最低0.47元/天 解锁文章

200万优质内容无限畅学
HS-ResNet: Hierarchical-Split Block on Convolutional Neural Network
qq_40107571的博客
10-31 755
HS-ResNet: Hierarchical-Split Block on Convolutional Neural Network
Contour Detection and Hierarchical Image Segmentation
nature_XD的专栏
11-28 7947
Contour Detection and Hierarchical Tree Segmentation
图像分割OWT-UCM Hierarchical Segmentation 算法代码应用并提取分层分割结果
skye1221的博客
07-14 6136
伯克利的一篇Contour Detection and Hierarchical Image Segmentation论文提出来一个新的图像分割算法，本文将简单介绍该算法对应代码的应用。 这篇博客中对该paper有介绍。 伯克利资源，该网页包括数据库和代码下载链接。 下载源代码，此代码需要在Linux或Mac中的MATLAB下运行。最重要的是该代码运行时要
Learning Form :Hierarchical Tree(层次树项) 和计算项
06-11 791
Hierarchical Tree(层次树项),计算项[@more@]Hierarchical Tree(层次树项) 如果使用层次树项, 必须将其放在独立的控制块中 CREATE_GROUP_FR...
论文阅读（一）：Hierarchical LSTM for Sign Language Translation
ydy_2017211924的博客
08-08 8341
Abstract SLT （Sign Language Translation） 手语翻译 CTC (Connectionist temporal classification) 连接主义时间分类 linguistics /lɪŋ’gwɪstɪks/ n. 语言学 sequential gesture variation 连续的手势变化 解决的问题 连续手语翻译中 ->帧级和word级...
图像分割（一）Contour Detection and Hierarchical Image Segmentation
dawnlooo的博客
10-05 3893
《Contour Detection and Hierarchical Image Segmentation》论文理解
论文笔记--Hierarchical Graph Convolution Networks for Traffic Forecasting
chenxino的博客
10-03 1329
Hierarchical Graph Convolution Networks for Traffic Forecasting (AAAI 21) Summary 作者提出了一种新的层次图卷积网络(HGCN)，通过操作微观和宏观交通图进行交通预测。 Problem Definition 目前基于GCN的交通预测方法都忽略了交通系统的自然层次结构，既包括道路网络的基本微观层，也包括路网的宏观层，区域或社区的特征和信息在传统的交通规划或宏观特征分析转化理论中发挥着重要作用。 问题定义 与一般的交通预测问题相同
Land-cover classification with high-resolution remote sensing images using transferable deep models
weixin_43861721的博客
03-06 2351
两个问题： 1、 深度学习模型的可移植性 2、 缺乏注释良好的大型陆地覆盖数据集 **主要：**使用patch来进行训练。首先使用源数据预训练好一个ResNet50,之后使用伪标签和relevant sample retrieval的方法得到目标集的标签，并用来微调网络；分割、分类用投票法确定patches的类别。 方法：使用有标签的数据训练的深度模型来分辨无标签数据。 主要思想：深度卷积网络展示...
用在graph上的深度学习方法概览
03-15
Michaël Defferrard作者写的一个关于在graph上做深度学习的概览，包含了图的卷积、图粗化、图pooling等过程。
图分类之Hierarchical Graph Differentiable Pooling （下）
chumingqian的博客
05-30 1014
是为图结构数据设计的神经网络模型。它通过结合分层池机制扩展了传统图卷积网络（GCN）的功能。这种池化机制通过逐步减少节点数量，同时保留图的整体结构，帮助网络处理大型且复杂的图。通过引入软池机制来增强 GCN，该机制允许在大型复杂图中进行分层表示学习。它结合了多层图卷积和池化来创建输入图的鲁棒、多尺度表示，使其适用于各种图分类和预测任务。链接预测正则化进一步增强了其在池化过程中保持图的结构完整性的能力。该模型从传统的 GCN 层开始，将图卷积应用于输入节点特征。
Hierarchical Graph Representation Learning with Differentiable Pooling（2018 NeurIPS）
weixin_43856668的博客
11-22 509
最近，图神经网络（GNN）通过有效学习节点嵌入彻底改变了图表示学习领域，并在节点分类和链接预测等任务中取得了最先进的结果。然而，当前的GNN方法本质上是扁平化的，不能学习图的层次表示——这一限制对于图分类任务来说尤其成问题，因为图分类的目标是预测与整个图相关联的标签。在这里，我们提出了DIFFPOOL，这是一个可微分的图池模块，可以生成图的层次表示，并可以与各种图神经网络结构在端到端方式的组合。
Hierarchical Graph Network for Multi-hop Question Answering
Yunshang12345的博客
11-18 944
Hierarchical Graph Network for Multi-hop Question Answering (2020) 阅读笔记 动机： 现有的工作首先检索出可能包含正确答案的段落，再利用机器阅读理解模型根据所选的段落预测正确的答案。然而，如何利用不同粒度的数据资源去同时预测support evidence 和 answer 是一个难以解决的问题。 为了解决这个问题，最近的研究构建实体图，再在图上执行多跳推理。这些工作以下问题： 仅从实体图中的实体中预测答案，这
Hierarchical Graph Representation Learning with Differentiable Pooling摘要
wanchaochaochao的博客
07-22 5506
  图网络（GN）在深度学习短板即因果推理上拥有巨大潜力，很有可能成为机器学习领域的下一个增长点，而图神经网络（GNN）正属于图网络的子集。GNN近期在图形分类任务上得到了当前最佳的结果，但其存在平面化的局限，因而不能将图形分层表征。现实应用中，很多图形信息都是层级表征的，例如地图、概念图、流程图等，捕获层级信息将能更加完整高效地表征图形，应用价值很高。在本文中，来自斯坦福等大学的研究者通过在GN...
图分类之Hierarchical Graph Differentiable Pooling （上）
chumingqian的博客
05-16 311
hard assignment：每个数据点都归到一个类别(i.e. cluster)。soft assignment：把数据点归到不同的类，分到每个类有不同的概率。assignment：文中涉及的assignment就是把节点分类、归类的意思。
Semantic Segmentation 语义分割 -- 深度学习（一）
热门推荐
Jingyang.Zhang的博客
01-31 1万+
一 . Semantic Segmentation 定义和特点        作为传统的计算机视觉领域的经典问题，Semantic Segmentation 语义分割是分割问题研究的热门问题。具体来说，我们的目标是对于图像中所有像素点分配给其对应的标签（区别于Object Detection 和 Localization），但是语义分割和Instance Segmentation 分割的最主
阅读Hierarchical Graph Representation Learning with Differentiable Pooling(NeurIPS 2018)
qq_33331451的博客
05-05 660
  最近关注graph pooling，Hierarchical Graph Representation Learning with Differentiable Pooling(NeurIPS 2018)，分层可微pooling图表示学习方法。 文章目录Abstract1 Introduction2 Related Work3 Proposed Method3.1 Preliminaries...
物体分割--Deep Watershed Transform for Instance Segmentation
AI小作坊 的博客
10-20 5127
Deep Watershed Transform for Instance Segmentation CVPR2017 https://github.com/min2209/dwt本文将传统的 watershed transform 分割算法 结合 CNN网络 实现 物体分割首先来回顾一下 instance level segmentation 都有哪些方法： 1）Proposal bas
A hierarchical recurrent convolution neural network for retinal vessel segmentation
最新发布
03-14
关于视网膜血管分割的分层递归卷积神经网络（Hierarchical Recurrent Convolutional Neural Network, HR-CNN）的研究，结合了卷积神经网络（CNN）的局部特征提取能力和递归神经网络（RNN）的序列建模优势，适用于...
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值