2021
DOI: 10.1007/978-3-030-76657-3_32
|View full text |Cite
|
Sign up to set email alerts
|

Image Segmentation by Relaxed Deep Extreme Cut with Connected Extreme Points

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2

Citation Types

0
0
0
1

Year Published

2023
2023
2024
2024

Publication Types

Select...
2
1
1

Relationship

0
4

Authors

Journals

citations
Cited by 4 publications
(2 citation statements)
references
References 29 publications
0
0
0
1
Order By: Relevance
“…Exemplos desta integração de sucesso têm se popularizado até mesmo em tarefas de mais baixo nível, tal como na geração de superpixels [Belém et al (2019; Belém et al (2021)]. Existem diferentes maneiras de integrar mapas de probabilidade por Redes Neurais Convolucionais (CNN -Convolutional Neural Network ) com arcabouços de otimização em grafos, como no aprendizado dos pesos do grafo e na definição de sementes ou outras restrições [Oliveira et al (2021); Wolf et al (2017)]. Nesse sentido, métodos de partição em grafos podem ser utilizados no topo de um pipeline de segmentação, combinando com técnicas de deep learning, garantindo o estabelecimento teórico das propriedades formais dos objetos gerados.…”
Section: Introductionunclassified
“…Exemplos desta integração de sucesso têm se popularizado até mesmo em tarefas de mais baixo nível, tal como na geração de superpixels [Belém et al (2019; Belém et al (2021)]. Existem diferentes maneiras de integrar mapas de probabilidade por Redes Neurais Convolucionais (CNN -Convolutional Neural Network ) com arcabouços de otimização em grafos, como no aprendizado dos pesos do grafo e na definição de sementes ou outras restrições [Oliveira et al (2021); Wolf et al (2017)]. Nesse sentido, métodos de partição em grafos podem ser utilizados no topo de um pipeline de segmentação, combinando com técnicas de deep learning, garantindo o estabelecimento teórico das propriedades formais dos objetos gerados.…”
Section: Introductionunclassified
“…Besides being easily extensible for multidimensional images, graph-based methods allow several customizations, such as the usage of different image elements as its nodes (e.g., superpixels [92]), the learning of graph weights by means of machine learning techniques [85,66], or even the incorporation of learning by deep learning techniques [99,98]. There are different ways to integrate probability maps by Convolutional Neural Networks (CNN) with optimization frameworks in graphs, such as to estimate arc weights and to define seeds or other constraints [71].…”
Section: List Of Programs Introductionmentioning
confidence: 99%