Image Separation using Multi-layer Image Segmentation for Translucent Partially Overlapped Objects
Notice bibliographique
Résumé
One way to solve under-determined image separation is to use statistical information about the type of data to be decomposed.In this dissertation, we propose a two stage method for cervical cell separation.In the first stage, we propose a CNN-based multi-layer random walker image segmentation method.The results of image segmentation at the first stage are then used as the side information for the cervical cell separation in the second stage.Convolutional neural networks (CNNs) are recently used in computer vision applications such as image segmentation.One of the biggest advantages of CNNs is that they extract important features automatically from the data.However, CNNs usually use a high number of data for training but it is not always possible to find enough training data for some applications.Also, CNNs are good at generalizing the training, but not for finding the accurate edges of cervical cells at the current implementations for cervical cell segmentation.One solution to improve CNN segmentation results is to use a post-processing method as edge refinement.Random walker image segmentation method is a graph-based image segmentation method that is good at region growing; so, it can be used as the refinement step.However, random walker is sensitive to initial setup, so if the seeds are not extracted correctly, the final segmentation results will be poor.In this dissertation we use a CNN-based random walker image segmentation approach for cervical cell segmentation.Different from other methods that use CNN binary segmentation results for fine tuning, CNN probabilistic map is utilized to guide random walker image segmentation method at the refinement step.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».