基于 4D 高斯的 Segment Any 4D Gaussians
计算机视觉与模式识别
2025-01-14 v1 图像与视频处理
摘要
荧光成像作为一个快速发展的领域，正迎来深度学习技术的崛起，取代了在各种应用中使用的经典特征提取和分类方法。然而，许多研究人员为荧光图像处理采用任意架构，往往没有严格分析光谱和空间信息之间的相互作用。这种疏忽忽略了将这两种模态组合对模型性能的影响。在本文中，我们评估了各种深度学习架构用于荧光图像分割的性能。我们的分析离散化了不同架构的影响，涵盖各种光谱和空间粒度。具体而言，我们研究了光谱分辨率(捕捉光谱信息)和空间纹理(传递空间细节)对分割结果的影响。此外，我们探索了从大型预训练图像基础模型获得知识的可转移性，这些模型最初为 RGB 图像设计。结果表明，仅凭光谱数据不如结合空间信息的分割结果更佳；并且，针对由光谱和空间信息组成的新型架构以及针对荧光领域的 RGB 基础模型的适配仍需进一步工作。此外，我们为该领域做出的贡献是清理并公开发布 Tecnalia WEEE 荧光数据集。该数据集包含来自电器废弃物(WEEE)的不同非铁锰合金，包括铜、黄铜、铝、不锈钢和白铜，覆盖 400 到 1000 nm 的波长范围。我们期望这些结论能为该领域的新研究者提供指导。
引用
@article{arxiv.2407.04505,
title = {Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE)},
author = {Artzai Picon and Pablo Galan and Arantza Bereciartua-Perez and Leire Benito-del-Valle},
journal= {arXiv preprint arXiv:2407.04505},
year = {2025}
}