Deeplabv3 Plus
PulseAugur coverage of Deeplabv3 Plus — every cluster mentioning Deeplabv3 Plus across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新管道增强远程皮肤病学图像质量评估
研究人员开发了一个名为语义三视图管道的新管道，以提高远程皮肤病学图像的可分级性。该系统分析多个摄影视图中的皮肤微观浮雕，以评估诊断适用性，将图像质量形式化为可计算的生物标志物。通过在SCIN数据集上使用DeepLabV3+模型，该管道可以识别和惩罚图像质量差的问题，在明确的病例上取得高性能，并为图像提交提供实时反馈。
-
DWFF-Net 推进多尺度分割在农业栖息地测绘中的应用
研究人员开发了 DWFF-Net，一种用于农业栖息地识别中多尺度分割的新方法。该网络利用冻结的 DINOv3 编码器进行特征提取，并采用一种自适应动态加权策略，该策略根据图像类别关系和场景复杂度进行调整。然后，解码器使用动态权重计算网络和混合损失函数融合多级特征。实验表明，DWFF-Net 在分割精度上显著优于 U-Net 和 SegFormer 等现有模型，尤其是在小特征方面，从而能够实现更精确的栖息地测绘和监测。
-
新方法改进使用Landsat-8影像的火灾分割
研究人员开发了一种使用Landsat-8卫星影像分割主动火灾的新方法，解决了火灾像素数据稀疏和不平衡的挑战。该研究评估了三种分割架构——U-Net、DeepLabV3+和SegFormer——并发现U-Net在各种火灾大小和密度下表现出最强的鲁棒性。短波红外2（SWIR2）光谱波段持续产生最佳或接近最佳的结果，凸显了其在主动火灾检测中的重要性。
-
研究发现：无人机野火分割受益于RGB-红外融合
研究人员对使用无人机（UAV）进行野火分割的多模态RGB-红外融合进行了比较研究。该研究评估了U-Net、DeepLabV3+和SegFormer架构的三种融合策略，分析了每种模态的贡献以及融合时机的影响。研究结果表明，热红外信息对于基于无人机的野火分割至关重要，基于Transformer的网络进行特征级融合在未来发展中显示出最大的潜力。
-
新的深度学习基准MeltwaterBench改进了格陵兰岛融水测绘
研究人员开发了MeltwaterBench，一个旨在提高格陵兰冰盖地表融水图时空分辨率的新深度学习框架。该模型融合了遥感数据和基于物理的模型，实现了每日100米分辨率，在准确性上优于现有方法。该框架使用了U-Net和DeepLabv3+架构，并作为开放基准发布以供进一步研究。
-
新研究探索不确定性量化和轻量级模型在语义分割中的应用
研究人员正在探索提高语义分割模型可靠性和鲁棒性的方法，尤其是在安全关键型应用中。一篇论文研究了不确定性量化（UQ）技术与SAM2和DPT等基础模型的集成，评估了准确性、校准和计算成本之间的权衡。另一项研究考察了CutMix数据增强策略对分割模型的影响，发现它在不显著影响准确性的情况下提高了可靠性和校准。第三篇论文介绍了一种名为SiConMo的轻量级框架，通过在瓶颈阶段进行上下文建模来平衡准确性和效率，展示了强大的准确性-效率权衡。
-
深度学习模型在肺癌组织病理学分析方面进行基准测试
研究人员开发了一个用于分析肺癌组织病理学图像的两阶段深度学习框架。该框架系统地比较了用于组织分类和区域分割的最先进架构。在分类任务中，YOLO11 表现最佳，准确率达到 98.38%。在分割任务中，DeepLabV3+ 取得了最佳结果，交并比（Intersection over Union）为 0.80，尽管 YOLO11-seg 提供的性能相当，但参数却少得多。
-
New framework enhances plant stress phenotyping with diffusion-guided segmentation
研究人员开发了一种新颖的扩散引导混合分割框架，旨在提高农业图像中植物胁迫表型分析的准确性和效率。该框架将 U-Net、DeepLabV3+ 和 SegFormer 等成熟的分割模型与去噪扩散概率模型 (DDPM) 相结合，以优化分割掩码。该系统即使在标注有限的情况下也表现出强大的性能，并且对灰度转换、雾和阴影等各种外观扰动具有鲁棒性。此外，适应的模型对外部农业数据集表现出有效的可迁移性，表明扩散优化和边界感知优化对于实际应用具有价值。
-
FSB-Net 利用频空分析改进脑卒中病灶分割
研究人员开发了FSB-Net，这是一种新颖的深度学习模型，用于在无对比度CT扫描中精确分割脑卒中病灶。该网络独特地结合了频域分析，以更好地描绘病灶边界，这些边界在医学影像中通常很模糊。FSB-Net 使用小波边界检测头提取边界信息，并使用频空交叉注意力模块将其与空间特征集成，同时使用谱边界损失以获得更清晰的结果。在公共数据集上的评估表明，FSB-Net 在关键分割指标上优于U-Net和DeepLabV3+等现有模型。
-
新框架利用Sentinel-2卫星数据改进建筑检测
研究人员开发了一个利用Sentinel-2卫星图像进行鲁棒建筑检测的框架，解决了图像10米分辨率以及季节性和城市环境变化带来的挑战。他们使用官方地形数据在波兰华沙创建了一个多时相数据集，生成了地面真实掩码。通过对U-Net和DeepLabV3+架构的实验，确定了最佳的月度模型，并为不同季节和聚落类型的建筑分类提供了实用指南。
-
新架构应对糖尿病视网膜病变病灶分割挑战
研究人员开发了一种名为多分辨率特征干的新型深度学习架构，以改进糖尿病视网膜病变（DR）病灶的分割。现有模型面临挑战，因为DR病灶的大小差异很大，而较高的输入分辨率虽然有利于微动脉瘤等小病灶，但可能会影响对出血等大病灶的性能。所提出的架构集成了输入级金字塔和UNet++骨干网络，以并行处理多个尺度，在不丢失上下文信息的情况下有效捕获精细细节。
-
新框架通过迁移学习增强焊接机器人接缝分割 · 跟踪 2 个来源
研究人员开发了一个新框架，以改进建筑自动化焊接机器人的接缝分割，解决了恶劣光照和反射等挑战。该方法利用迁移学习和混合损失函数增强了 BiSeNetV2 模型，侧重于学习稳定性优化而非架构复杂性。该方法显著提高了性能，在反射条件下实现了 81.76% 的联合 IoU，并恢复了 96.33% 的失败案例，同时保持了实时应用的效率。
-
Transformer模型在糖尿病足溃疡分割中表现出更好的泛化能力
一项新研究对三种用于糖尿病足溃疡分割的深度学习模型进行了基准测试：U-Net、DeepLabV3+和SegFormer-B2。虽然所有模型在其训练数据集上表现良好，但当在外部数据集上进行测试时，它们的准确性显著下降。与卷积神经网络模型相比，基于Transformer的SegFormer-B2表现出更优越的泛化能力，这表明架构类型是跨医院性能的关键因素。
-
新的 EPRA U-Net 改进了 MRI 扫描中的梗死分割
研究人员开发了 EPRA U-Net，这是一种新颖的深度学习架构，旨在精确分割扩散加权 MRI 扫描中的梗死。该模型集成了 EfficientNet 编码器、残差循环块和注意力机制，以改进空间依赖性建模和病灶突出显示。在 167 名患者的数据集上进行测试，EPRA U-Net 与 UNet++ 和 DeepLabV3+ 等现有模型相比，表现更优，实现了更高的 Dice 分数，并显著减少了漏诊的病灶。
-
几何引导的Mamba增强了CNN语义分割模型
研究人员已将最初来自DGM-Net的几何引导Mamba模型改编为CNN基础语义分割的即插即用上下文模块。该方法将几何引导注入选择性扫描过程，从而实现由边界和向心流线索调制的长距离特征传播。当集成到六种不同的CNN分割模型中时，几何引导的SSM模块在Cityscapes数据集上始终提高了平均交并比（mIoU）分数，而计算成本仅略有增加。
-
深度学习模型在混合现实驾驶舱分割中达到90%的准确率
研究人员开发了一种深度学习方法，用于混合现实应用的驾驶舱图像分割。该研究将U-net和DeepLabV3+卷积神经网络架构应用于识别非公路卡车模拟器图像中的前景和背景元素。这种分割旨在通过促进虚拟和现实世界图像的无缝集成来增强用户沉浸感，准确率约为90%。
-
深度学习框架在水稻病害测绘中的比较
研究人员比较了各种深度学习框架，使用无人机多光谱成像来测绘水稻病害的严重程度。该研究评估了 U-Net、U-Net++、DeepLabV3+ 和 SegFormer 等架构，并使用包括植被指数在内的不同输入配置对它们进行了测试。结果显示，U-Net++ 结合 EfficientNet-B3 表现出最高的性能，mIoU 达到 97.62%，这表明轻量级卷积神经网络 (CNN) 在操作性病害监测方面更可靠。
-
AI框架提高了IVF中胚胎分级的准确性
研究人员开发了一种名为AttnRegDeepLab的新框架，用于对IVF过程中的胚胎碎片进行分级。这种两阶段、双分支系统使用注意力门来提高分割精度，减少噪声，并结合多尺度回归头来纠正估计误差。该方法旨在提供一种临床上可解释的解决方案，平衡视觉保真度和量化精度，优于端到端方法。
-
新AI模型提高胎儿脑部MRI分割精度
研究人员开发了一种新的深度学习模型，用于分割胎儿脑部MRI扫描，旨在改善产前诊断。该模型结合了ResNet-34编码器和使用MLP模块的轻量级解码器，以增强边界保持并减少运动伪影引起的错误。该方法在FeTA 2021数据集上实现了高精度，优于现有架构，并展示了适合临床整合的效率。
-
SAM管道为自动驾驶数据生成像素级标注
研究人员开发了一种新方法，为以前只有边界框的自动驾驶数据集创建密集、像素级的标注。该管道利用Segment Anything Model (SAM)将边界框转换为语义掩码，显著提高了Zenseact Open Dataset (ZOD)等数据集的可用性。标注数据用于评估基于Transformer和基于CNN的架构，实现了高达48.1%的mIoU，并探索了专门的模型来解决罕见但关键的对象（如行人、标志）的极端类别不平衡问题。