图像分割是自动图像分析中的一项基本任务。 但是，仍然没有适合于评估每种应用中的分割质量的普遍接受的有效性度量。 在本文中，我们提出了一个评估框架，该框架受益于多种独立的措施。 为此，选择了不同的细分评估方法来分别评估细分，并使用机器学习方法将结果有效地组合在一起。 我们在分割数据集中训练并实现了该框架，该数据集包含不同内容的图像以及由人类产生的分割基础事实。 此外，我们提供了对图像分割对的人工评估，以对这些措施的评估结果进行基准测试。 实验结果表明，与独立方法相比，该方法具有更好的性能。

蚂蚁网络 深度学习架构和应用程序的集合，已移植到用于基本医学图像处理的python语言和工具中。 基于keras和tensorflow与我们的研发模拟交叉兼容性 。 文档页面 。 建筑学 图像三维分割/回归 图像分类/回归 物体检测 图像超分辨率 注册和转换 生成逆向网络 聚类 应用领域 MRI超分辨率 多模式脑提取 T1 T1 天赋 T2 F A 大胆的 肺提取 电脑断层扫描 六组织Atropos脑分割 深度闪光 Desikan-Killiany-Tourville皮质标

诸如视频帧和事件数据之类的顺序数据已在现实世界中得到广泛应用。 作为一种特殊的序列数据，高光谱图像（HSI）可以看作是光谱维度上的二维图像序列，可以有效地用于根据光谱序列区分不同的土地覆盖物。 本文提出了一种基于超像素子空间低秩表示的高光谱图像降噪方法。 首先，在线性混合模型的框架下，假定原始高光谱立方体在光谱域中处于低秩，这可以通过将HSI数据分解为两个较低秩的子矩阵来表示。 同时，由于相邻像素的高度相关性，每个邻域内的光谱也将促进低秩，并且可以通过在分解子空间中的基于超像素的区域内执行核规范

开源Python库MIScnn是一个直观的API，只需几行代码，即可使用最新的卷积神经网络和深度学习模型快速设置医学图像分割管道。 MIScnn提供了几个核心功能： 用于二元和多类问题的2D / 3D医学图像分割 生物医学图像的数据I / O，预处理和数据增强 逐块和完整图像分析 最新的深度学习模型和指标库 直观，快速地利用模型（训练，预测） 多种自动评估技术（例如交叉验证） 定制模型，数据I / O，预处理/后处理和指标支持 基于以Tensorflow为后端的Keras 资源资源 MI