arXiv ID:
2606.10696
别浪费SAM / Don't waste SAM
1️⃣ 一句话总结
本文通过在三个废弃物分割数据集上微调SAM模型,发现其分割性能远超现有专用模型(IoU提升高达+30),证明了即使面对遮挡、透明等复杂场景,微调后的SAM仍能作为强大的基础模型,不该被忽视或浪费。
别浪费SAM / Don't waste SAM
本文通过在三个废弃物分割数据集上微调SAM模型,发现其分割性能远超现有专用模型(IoU提升高达+30),证明了即使面对遮挡、透明等复杂场景,微调后的SAM仍能作为强大的基础模型,不该被忽视或浪费。
基于无人机多光谱影像的水稻病害制图深度学习框架比较 / Comparison of Deep Learning Frameworks For Rice Disease Mapping From UAV Multispectral Imaging
本研究通过对比多种深度学习模型(如U-Net、SegFormer等)在无人机多光谱影像上识别水稻细菌性叶枯病严重程度的表现,发现基于轻量级CNN骨干网络的U-Net++(搭配EfficientNet-B3)在准确率上最优(平均交并比达97.62%),且比复杂Transformer模型更适合实际监测应用。
患者特异性肺动脉树数字孪生:用于提取肺栓塞生物标志物 / A Patient-Specific Pulmonary Arterial Tree Digital Twin to Extract Pulmonary Embolism Biomarkers
本研究开发了一种自动化流程,通过构建患者肺动脉树的数字孪生模型,自动提取肺栓塞的影像生物标志物(如血管堵塞程度、严重程度评分等),从而快速、精准地提供血栓负荷和空间分布信息,有望简化临床风险分层并辅助治疗决策。
自动类器官图像分割质量接近人类水平 / Approaching human parity in the quality of automated organoid image segmentation
本文提出了一种结合通用分割模型与专用工具的新方法,能在类器官图像分析中自动、准确地测量其大小和形状,其分割精度已接近甚至达到人工标注者之间的水平。
图神经网络驱动的预测流:加速福特-富克森算法及其PAC可学习性 / Graph Neural Network-Informed Predictive Flows for Faster Ford-Fulkerson and PAC-Learnability
本研究提出一种结合图神经网络与经典福特-富克森算法的新方法,通过学习图中每条边的重要性概率来智能选择增广路径,从而在不影响最大流/最小割最优解的前提下显著加速计算,并提供了理论上保证学习效果与效率提升关系的PAC可学习性分析。
RF-HiT:用于通用医学图像分割的修正流层次化Transformer / RF-HiT: Rectified Flow Hierarchical Transformer for General Medical Image Segmentation
本文提出了一种名为RF-HiT的高效医学图像分割模型,通过结合层次化Transformer和修正流技术,在保持低计算量和极少推理步数的同时,实现了与大型复杂模型相当的高精度分割性能,适合实时临床应用。
基于Transformer的HR-pQCT影像多区域分割与影像组学分析 / Transformer-Based Multi-Region Segmentation and Radiomic Analysis of HR-pQCT Imaging
本研究首次利用基于Transformer的SegFormer模型,自动分割高分辨率CT影像中的骨骼与周围软组织,并发现从肌肉肌腱等软组织提取的影像特征,比传统骨密度指标能更准确地诊断骨质疏松症。
联盟形成的可视化:从享乐博弈到图像分割 / Visualizing Coalition Formation: From Hedonic Games to Image Segmentation
这篇论文将图像分割作为可视化工具,用于研究享乐博弈中智能体如何形成联盟,并通过量化机制设计参数揭示了从紧密联盟到过度碎片化失效的转变过程。
使用分层特征与双向序列建模的创新牙齿分割方法 / Innovative Tooth Segmentation Using Hierarchical Features and Bidirectional Sequence Modeling
这篇论文提出了一种新的牙齿图像分割方法,它通过一个能融合不同尺度特征的三阶段编码器来同时捕捉细节和整体语义,并引入了一种高效的双向序列建模策略来理解全局空间关系,从而在保证精度的同时大幅降低了计算成本,在公开数据集上取得了优于现有方法的分割效果。
物理信息生成式人工智能实现显微镜分析的免人工分割 / Physics Informed Generative AI Enabling Labour Free Segmentation For Microscopy Analysis
这篇论文提出了一种新方法,通过结合物理模拟和生成式人工智能,自动生成大量逼真的显微镜图像数据来训练分割模型,从而完全摆脱了对昂贵且稀缺的人工标注数据的依赖,成功实现了对真实实验图像的高精度自动分割。
请先 登录 后再提交论文