The 13 reference contexts in paper S. Belim V., S. Larionov B., С. Белим В., С. Ларионов Б. (2017) “Алгоритм сегментации изображения с помощью искусственной нейронной сети без использования других изображений // The Neural Network-aided Image Segmentation Algorithm Without Involving Additional Images” / spz:neicon:radiovega:y:2017:i:3:p:43-53

  1. Start
    1576
    Prefix
    Алгоритмы сегментации, основанные на искусственных нейронных сетях, отличаются друг от друга типом нейронной сети, алгоритмом обучения и формированием обучающего множества. Прежде всего, для решения задач сегментации изображений был использован многослойный персептрон
    Exact
    [1]
    Suffix
    . Для повышения точности сегментации были использованы основанные на персептроне модели искусственных нейронных сетей, использующие перекрестную энтропию [2], генетические алгоритмы [3, 4], алгоритм роста областей [5,6], алгоритм на основе минимального отношения различия [7].
    (check this in PDF content)

  2. Start
    1735
    Prefix
    Прежде всего, для решения задач сегментации изображений был использован многослойный персептрон [1]. Для повышения точности сегментации были использованы основанные на персептроне модели искусственных нейронных сетей, использующие перекрестную энтропию
    Exact
    [2]
    Suffix
    , генетические алгоритмы [3, 4], алгоритм роста областей [5,6], алгоритм на основе минимального отношения различия [7]. В статье [8] применяются персептрон, сеть прямого распространения и рекуррентная сеть Элмана для решения задачи сегментации медицинских изображений.
    (check this in PDF content)

  3. Start
    1762
    Prefix
    Прежде всего, для решения задач сегментации изображений был использован многослойный персептрон [1]. Для повышения точности сегментации были использованы основанные на персептроне модели искусственных нейронных сетей, использующие перекрестную энтропию [2], генетические алгоритмы
    Exact
    [3, 4]
    Suffix
    , алгоритм роста областей [5,6], алгоритм на основе минимального отношения различия [7]. В статье [8] применяются персептрон, сеть прямого распространения и рекуррентная сеть Элмана для решения задачи сегментации медицинских изображений.
    (check this in PDF content)

  4. Start
    1794
    Prefix
    Для повышения точности сегментации были использованы основанные на персептроне модели искусственных нейронных сетей, использующие перекрестную энтропию [2], генетические алгоритмы [3, 4], алгоритм роста областей
    Exact
    [5,6]
    Suffix
    , алгоритм на основе минимального отношения различия [7]. В статье [8] применяются персептрон, сеть прямого распространения и рекуррентная сеть Элмана для решения задачи сегментации медицинских изображений.
    (check this in PDF content)

  5. Start
    1853
    Prefix
    Для повышения точности сегментации были использованы основанные на персептроне модели искусственных нейронных сетей, использующие перекрестную энтропию [2], генетические алгоритмы [3, 4], алгоритм роста областей [5,6], алгоритм на основе минимального отношения различия
    Exact
    [7]
    Suffix
    . В статье [8] применяются персептрон, сеть прямого распространения и рекуррентная сеть Элмана для решения задачи сегментации медицинских изображений. Решение о границе сегмента принимается на основе девяти признаков двух первых уровней вейвлет-разложения исходного изображения.
    (check this in PDF content)

  6. Start
    1867
    Prefix
    Для повышения точности сегментации были использованы основанные на персептроне модели искусственных нейронных сетей, использующие перекрестную энтропию [2], генетические алгоритмы [3, 4], алгоритм роста областей [5,6], алгоритм на основе минимального отношения различия [7]. В статье
    Exact
    [8]
    Suffix
    применяются персептрон, сеть прямого распространения и рекуррентная сеть Элмана для решения задачи сегментации медицинских изображений. Решение о границе сегмента принимается на основе девяти признаков двух первых уровней вейвлет-разложения исходного изображения.
    (check this in PDF content)

  7. Start
    2428
    Prefix
    Показано, Радиооптика. МГТУ им. Н.Э. Баумана 43 что наилучшие результаты могут быть получены с помощью сети прямого распространения с логистической активационной функцией в выходном слое и вейвлетов Хаара. В работе
    Exact
    [9]
    Suffix
    предложен алгоритм сегментации, сочетающий в себе метод k-средних и многослойный персептрон. Для обучения нейронной сети используется алгоритм обратного распространения ошибки. Метод k-средних используется на начальном этапе для формирования обучающей выборки.
    (check this in PDF content)

  8. Start
    2704
    Prefix
    В работе [9] предложен алгоритм сегментации, сочетающий в себе метод k-средних и многослойный персептрон. Для обучения нейронной сети используется алгоритм обратного распространения ошибки. Метод k-средних используется на начальном этапе для формирования обучающей выборки. В статье
    Exact
    [10]
    Suffix
    использована рекуррентная нейронная сеть. Процесс сегментации, при этом приобретает итерационный характер. Широкое применение в задачах сегментации изображений нашли самоорганизующиеся карты Кохонена [11, 12, 13].
    (check this in PDF content)

  9. Start
    2909
    Prefix
    В статье [10] использована рекуррентная нейронная сеть. Процесс сегментации, при этом приобретает итерационный характер. Широкое применение в задачах сегментации изображений нашли самоорганизующиеся карты Кохонена
    Exact
    [11, 12, 13]
    Suffix
    . В работе [14] предложен алгоритм, совмещающий самоорганизующие карты Кохонена с гибридным генетическим алгоритмом. Данное совмещение, демонстрируя достаточно хорошие результаты сегментации, характеризуется низкой скоростью работы.
    (check this in PDF content)

  10. Start
    2931
    Prefix
    В статье [10] использована рекуррентная нейронная сеть. Процесс сегментации, при этом приобретает итерационный характер. Широкое применение в задачах сегментации изображений нашли самоорганизующиеся карты Кохонена [11, 12, 13]. В работе
    Exact
    [14]
    Suffix
    предложен алгоритм, совмещающий самоорганизующие карты Кохонена с гибридным генетическим алгоритмом. Данное совмещение, демонстрируя достаточно хорошие результаты сегментации, характеризуется низкой скоростью работы.
    (check this in PDF content)

  11. Start
    3165
    Prefix
    В работе [14] предложен алгоритм, совмещающий самоорганизующие карты Кохонена с гибридным генетическим алгоритмом. Данное совмещение, демонстрируя достаточно хорошие результаты сегментации, характеризуется низкой скоростью работы. В статье
    Exact
    [15]
    Suffix
    предложен подход, использующий карты Кохонена для уточнения результатов, получаемых методом k-средних. Совмещение карт Кохонена с методом выращивания областей предложено в работе [16]. В ней нейронная сеть также используется для постобработки сегментированного изображения.
    (check this in PDF content)

  12. Start
    3350
    Prefix
    Данное совмещение, демонстрируя достаточно хорошие результаты сегментации, характеризуется низкой скоростью работы. В статье [15] предложен подход, использующий карты Кохонена для уточнения результатов, получаемых методом k-средних. Совмещение карт Кохонена с методом выращивания областей предложено в работе
    Exact
    [16]
    Suffix
    . В ней нейронная сеть также используется для постобработки сегментированного изображения. Следует отметить, что большинство алгоритмов носит специализированный характер и ориентировано на изображения определенного типа.
    (check this in PDF content)

  13. Start
    4531
    Prefix
    Алгоритм сегментации и обучение нейронной сети Для сегментации изображения будем использовать метод выращивания областей. Подход к сегментации, основанный на сравнении пикселя с ближайшими соседями и выращивании областей, дал хорошие результаты в рамках графового представления изображения
    Exact
    [17,18]
    Suffix
    . Первым шагом данного метода является случайный выбор некоторой точки изображения, относящейся к еще необработанной части изображения. На входе алгоритма всё изображение считается не обработанным.
    (check this in PDF content)