2. level set Segmentation(Paper is on the progress)

最新推荐文章于 2026-08-18 23:40:00 发布
原创 最新推荐文章于 2026-08-18 23:40:00 发布 · 1.1k 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
本文介绍了一种改进的水平集算法，该算法结合了CV模型的全局能量与chunmingli的LBF能量，有效提升了算法的速度与稳健性，特别适用于解决图像分割问题。

This work is based on the chunming li's work. However, My level set algorithm is more robust. You can see the speed is much faster. 

主要的工作是加入了CV模型的global energy以及chunming li的LBF energy， 这样既考虑了全局的能量又避免了局部灰度的不一致性，使得初始化更稳健。

Level set Segmentation

Demo

 

 

 

标签
#algorithm #工作
zhgdai
关注
视觉特征-自监督-掩码特征预测【2026-03】：V-JEPA2.1【2B】【全Token稠密预测损失】【多层深度自监督】【图像/视频多模态Tokenizer】【160万小时视频】【1.42亿张图像】
u013250861的博客
08-14 262
Lorenzo Mur-Labadia1,2,∗, Matthew Muckley1, Amir Bar1, Mido Assran1, Koustuv Sinha1, Mike Rabbat1, Yann LeCun1, Nicolas Ballas1,†, Adrien Bardes1,†1FAIR at Meta, 2Universidad de Zaragoza ∗Work done at Meta, †Joint last authorWe present V-JEPA 2.1, a family
视觉特征-自监督-掩码像素预测【2021-11】：SimMIM【一种用于掩码图像建模的简单框架】
u013250861的博客
08-05 70
¹ 清华大学²微软亚洲研究院⁸ 西安交通大学Abstract摘要本文提出了SimMIM，一个用于掩码图像建模的简单框架。我们简化了最近提出的相关方法，无需采用特殊设计，例如按块掩码以及通过离散VAE或聚类进行 tokenization。为了研究是什么使掩码图像建模任务能够学习到良好的表征，我们系统地研究了框架中的主要组件，并发现每个组件的简单设计都展现出非常强的表征学习性能：1)以适度较大的掩码 patch大小(例如32)对输入图像进行随机掩码，可构成一个强大的 pre-text 任务；
levelset_segmentation_biasCorrection_v1_水平集_医学图像分割_图像分割_水平集图像分割_
10-04
Li的距离正则化水平集算法医学图像分割
视觉特征-自监督-掩码像素预测【2021-11】：MAE【随机遮挡75%块】【编码器仅处理可见块+轻量解码器重建像素】【以MSE计算重建结果与原图差异】【高掩码率提效】
u013250861的博客
08-08 142
本文表明，掩码自编码器（MAE）是适用于计算机视觉的可扩展自监督学习器。我们的 MAE 方法很简单：我们对输入图像的随机图像块进行掩码，并重建缺失的像素。它基于两项核心设计。首先，我们开发了一种非对称编码器-解码器架构，其中编码器仅处理可见的图像块子集（不使用掩码 Tokens），同时配备一个轻量级解码器，根据潜在表示和掩码 Tokens 重建原始图像。其次，我们发现，对输入图像进行高比例掩码，例如 75%，能够产生一项非平凡且有意义的自监督任务。
matlab的欧拉方法代码-Level-Set-Based-Image-Segmentation:基于水平集的图像分割
05-26
matlab的欧拉方法代码基于水平集的图像分割 该作品受版权保护。 无边缘的主动轮廓（ACWE） 在这项工作中，使用无边缘活动轮廓（ACWE）框架进行图像分割。 ACWE方法是由Chan和Vese提出的，它是从用于图像分割的水平集框架中的分段常数Mumford-Shah函数派生而来的。 使用半隐式方案对求解函数最小化后获得的最终Euler-Lagrange方程进行数值求解。 水平集功能，ACWE分割方法，数值解和结果的综述在中给出。 编码是在MATLAB中完成的。 下方显示的是用于灰度图像的分段视频，该视频只有2个强度-黑色和灰色。 因此被称为“两阶段”分段。 这是演示该方法的基本示例。 其他示例：该方法还可以扩展到多阶段，多通道分段（pdf中提供了参考）。 下面提供了示例。 （代码，配方未提供）。 ###示例1： 多相分割：这里使用了3个水平集轮廓，可以对图像中的多达8个区域（或相）进行分割。 以下是由5个区域组成的灰度图像（区域强度包括不同的灰色阴影）。 视频显示了水平集轮廓线的演变过程，以对图像进行分割。 范例2： 多相，多通道分割：这适用于具有多个通道的图像，例如RGB图像，该
水平集level set、李纯明博士DRLSE改进方法（matlab代码）
11-16
针对水平集算法，李纯明博士的DRLSE改进方法，matlab实现。
水平集——那些我膜拜过的牛人2
hacker_long的专栏
09-15 5726
久违了，今天换到新部门，准备利用下班时间接住先前的班。本篇是迄今为止数学味最浓的，主要用于介绍一个方法以及一个牛人李春明。又来一个明（上次是何凯明），要是中国的小明都这么...
【论文笔记】DELSE，CVPR 2019
学习 & 分享 ~
11-05 1347
论文地址：DELSE/zian19delse.pdf 论文主页：http://www.cs.toronto.edu/~zianwang/DELSE/delse.html Github：https://github.com/fidler-lab/delse解决的问题论文亮点利用 Level Set 做图像分割的优点：实验效果只是简单回顾一下 Level Set，不再详细解释。如果用数学方式表示一条曲线，首先能想到的就是找到一个方程式，给出一个自变量 xxx，对应就能计算得出因变量 yyy 的值，用所有点 (x
图像分割—学习笔记
studyeboy的专栏
06-20 3605
Active Contours Without Edges paper Active Contours Without Edges translation 无边界活动轮廓模型 code morphasnakes Active Contours Without Edges是一种改进的active contour图像分割或者说轮廓检测方法。作者分析已有的active contour/snakes模...
【论文整理】Interactive Segmentation
学习 & 分享 ~
07-15 3116
论文地址：https://ieeexplore.ieee.org/document/937505 作者：Boykov, Y. Y., & Jolly, M. P 被引量：4519（2019/6） 交互方法：scribbles 代码：PyMaxflow：Python library for creating flow networks and computing the maxflow/mincut (aka graph-cuts for Python)概览：该方法基于 graph cut，由用户提供 see
CV-骨架02：Swin Transformer V2: Scaling Up Capacity and Resolution【2021-11】
u013250861的博客
03-31 42
Ze Liu* Han Hu*† Yutong Lin Zhuliang Yao Zhenda Xie Yixuan Wei Jia Ning Yue Cao Zheng Zhang Li Dong Furu Wei Baining Guo Microsoft Research Asia{v-zeliu1,hanhu,t-yutonglin,t-zhuyao,t-zhxie,t-yixuanwei,v-jianing}@microsoft.com {yuecao,zhez,lidong1,fuwei,bai
Context Encoders: Feature Learning by Inpainting 上下文编码器：通过图像修复进行特征学习
u013250861的博客
05-18 96
加州大学伯克利分校Abstract摘要我们提出了一种由基于上下文的像素预测驱动的无监督视觉特征学习算法。类比于自动编码器，我们提出了 Context Encoders——一种卷积神经网络，其训练目标是根据任意图像区域周围的环境生成该区域的内容。为了成功完成这一任务，context encoders 不仅需要理解整幅图像的内容，还需要为缺失部分生成一个合理的假设。在训练 context encoders 时，我们同时尝试了标准的逐像素重建损失，以及重建损失加对抗损失。
Chunming Li-levelsetcode
12-15
% Matlad code implementing Chan-Vese model in the paper 'Active Contours Without Edges' % This method works well for bimodal images, for example the image 'three.bmp' % created on 04/26/2004 % author: Chunming Li % email: li_chunming@hotmail.com % Copyright (c) 2004-2006 by Chunming Li
level set method
04-11
efficient segmentation based on eikonal and diffusion equations
Sparsh：用于基于视觉的触觉感知的自监督触觉表征【传感器：带标记点的 GelSight 2017、无标记点的 DIGIT】
最新发布
u013250861的博客
08-18 45
t​⊕It−5​→x∈Rh×w×6tt−2t−4t−6∈R4×h×w×3t​∈Rh×w×3t​∈SE3). Tt​tt−1​≜ΔxΔy˙​Δθ∈SE2ˉ2∘0.5∘1.0∘to1.0∘2.0∘zt−1​zt​qt−1​qt​≜Δqt​Δqt1​...;Δq∈R7。
视觉特征-自监督-掩码像素预测【2022-03】：VideoMAE【90%~95%管状掩码】
u013250861的博客
08-05 92
通常需要在超大规模数据集上对视频Transformer 进行预训练，才能在相对较小的数据集上取得卓越性能。本文表明，视频掩码自编码器（VideoMAE)是适用于自监督视频预训练(SSVP)的数据高效学习器。受近期Image-MAE[31]的启发，我们提出了具有极高掩码比例的定制化视频管状掩码。这一简单设计使视频重建成为一项更具挑战性和意义的自监督任务，从而促进在预训练过程中提取更有效的视频表示。
BERT：用于语言理解的深度双向 Transformer 预训练
u013250861的博客
05-07 106
Abstract摘要我们提出了一种新的语言表示模型，称为 BERT，即来自Transformer的双向编码器表示。与近期的语言表示模型(Peters et al., 2018a；Radford et al., 2018)不同，BERT 旨在通过在所有层中联合利用左右上下文，从无标注文本中预训练深度双向表示。因此，只需添加一个额外的输出层，即可对预训练的BERT模型进行微调，从而为包括问答和语言Inference在内的广泛任务创建最先进的模型，而无需对特定任务的架构进行实质性修改。
DeepSeek-V4架构解析：MoE路由与TileLang编译器深度实践
weixin_33714884的博客
07-14 378
混合专家模型（MoE）正成为大模型高效推理的核心范式，其性能瓶颈不再局限于参数规模，而在于专家路由调度、内存访问局部性与硬件拓扑协同。TileLang作为一种面向芯片阵列的计算块时空排布DSL，将传统动态张量计算升级为编译期静态规划，显著提升L2缓存命中率与NCCL通信效率。结合MIT Model Instruction Toolkit（MIT编译器）与sub-expert分层激活机制，DeepSeek-V4在A100集群上实现专家利用率89%与P99延迟优化38%，适用于高吞吐推理服务、模型编译优化及算力
视觉特征-自监督-同源不同crop视图一致性【2021-05】：VICReg【同图➜双视图➜特征不变性】【批次每行一图、每列一特征维度】【正则化：列内方差防坍塌+列间协方差去冗余】【无负样本】
u013250861的博客
08-07 155
Abstract摘要最近的图像表征学习自监督方法通过由输入的编码器生成的之间的来进行学习。主要挑战是防止发生坍塌，即编码器生成恒定或无信息的向量。我们提出了与大多数解决相同问题的其他方法不同，并且在多项下游任务上取得了与最先进方法相当的结果。此外，我们表明，方差正则化项能够稳定其他方法的训练，并带来性能提升。
评论 1
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