深度图中的曲线结构分割：一种基于 CNN 的方法及其在探索文化遗产对象中的应用
计算机视觉与模式识别
2017-11-23 v2
摘要
受探索文化遗产对象这一重要考古应用的驱动，本文研究从以高噪声深度图形式极弱地压印或刻在物体表面的曲线结构中进行自动分割这一挑战性问题。与大多数已知对噪声和遮挡非常敏感的经典低级图像分割方法不同，我们提出一种基于卷积神经网络（CNN）的新监督学习算法，以隐式学习并利用更多曲线几何与模式信息来解决此挑战性问题。更具体地，我们首先提出一个全卷积网络（FCN）来估计曲线结构的骨架，并在每个骨架像素处估计一个尺度值以反映局部曲线宽度。随后我们提出一个稠密预测网络来细化估计的曲线骨架。基于估计的尺度值，我们最终开发一种自适应阈值算法以实现曲线结构的最终分割。在实验中，我们在一个由北美东南部林地时期出土陶片扫描得到的深度图像数据集上验证了所提方法的性能。
引用
@article{arxiv.1711.02718,
title = {Curve-Structure Segmentation from Depth Maps: A CNN-based Approach and Its Application to Exploring Cultural Heritage Objects},
author = {Yuhang Lu and Jun Zhou and Jing Wang and Jun Chen and Karen Smith and Colin Wilder and Song Wang},
journal= {arXiv preprint arXiv:1711.02718},
year = {2017}
}
备注
Accepted by AAAI2018