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
    1615
    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
    1774
    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
    1802
    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
    1834
    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
    1893
    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
    1907
    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
    2467
    Prefix
    Обучающая выборка формируется вручную на основе серии схожих изображений. Показано, 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
    2743
    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
    2948
    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
    2971
    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
    3204
    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
    3390
    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
    4570
    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)