The 18 references with 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
Kuntimad G., Ranganath H.S. Perfect image segmentation using pulse coupled neural networks // IEEE Trans. on Neural Networks. 1999. Vol. 10. No. 3. Pp. 591–598. DOI: 10.1109/72.761716
Total in-text references: 1
  1. In-text reference with the coordinate 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].

2
Ma Yide, Liu Qing, Qian Zhibo. Automated image segmentation using improved PCNN model based on cross-entropy // Intern. symp. on intelligent multimedia, video and speech processing: ISIMP 2004 (Hong Kong, October 20–22, 2004): Proc. N.Y.: IEEE, 2004. Pp. 743-746. DOI: 10.1109/ISIMP.2004.1434171
Total in-text references: 1
  1. In-text reference with the coordinate 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.

3
Ma Yi-de, Qi Chun-liang. Study of automated PCNN system based on genetic algorithm // J. of System Simulation. 2006. No. 3. Pp. 722-725.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

4
Xiao-Dong Gu, Shi-De Guo, Dao-Heng Yu. A new approach for automated image segmentation based on unit-linking PCNN // 1st Intern. conf. on machine learning and cybernetics: ICMLC 2002 (Beijing, China, November 4-5, 2002): Proc. N.Y.: IEEE, 2002. Pp. 175-178. DOI: 10.1109/ICMLC.2002.1176733
Total in-text references: 1
  1. In-text reference with the coordinate 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.

5
Stewart R.D., Fermin I., Opper M. Region growing with pulse-coupled neural networks: An alternative to seeded region growing // IEEE Trans. on Neural Networks. 2002. Vol. 13. No. 6. Pp. 1557–1562. DOI: 10.1109/TNN.2002.804229
Total in-text references: 1
  1. In-text reference with the coordinate 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.

6
Qing Z., Guanhui Y., Tingling G., Hong Z., Junxiao L. Fabric defect segmentation based on region growing PCNN model // Computer application and software. 2011. Vol. 28. No. 11. Pp. 171-175.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

7
Hai-Rong Ma, Xin-Wen Cheng. Automatic image segmentation with PCNN algorithm based on grayscale correlation // Intern. J. of Signal Processing, Image Processing and Pattern Recognition. 2014. Vol. 7. No. 5. Pp. 249–258. DOI: 10.14257/ijsip.2014.7.5.22
Total in-text references: 1
  1. In-text reference with the coordinate 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.

8
Привалов М.В., Скобцов Ю.А., Кудряшов А.Г. Применение нейросетевых методов классификации для сегментации компьютерных томограмм // Вестник Херсонского национального техн. ун-та. 2010. No 2. С. 103-109.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

9
Chandhok C. A novel approach to image segmentation using artificial neural networks and K-means clustering // Intern. J. of Engineering Research and Applications (IJERA). 2012. Vol. 2. Iss. 3. Pp. 274-279.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

10
Nemirovsky V.B., Stoyanov A.K. Multi-step segmentation of images by means of a recurrent neural network // 7th Intern. forum on strategic technology: IFOST-2012 (Tomsk, Russia, Sept. 18–21, 2012). N.Y.: IEEE, 2012. Vol. 1. Pp. 557–560. DOI: 10.1109/IFOST.2012.6357619
Total in-text references: 1
  1. In-text reference with the coordinate 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].

11
Bugao Xu, Sheng Lin. Automatic color identification in printed fabric images by a fuzzy neural network // AATCC Review. 2002. Vol. 2. No. 9. Pp. 42–45.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

12
Yao K.C., Mignotte M., Collet C., Galerne P., Burel G. Unsupervised segmentation using a self-organizing map and a noise model estimation in sonar imagery // Pattern Recognition. 2000. Vol. 33. No. 9. Pp. 1575–1584. DOI: 10.1016/S0031-3203(99)00135-1
Total in-text references: 1
  1. In-text reference with the coordinate 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.

13
Aria E.H., Saradjian M.R., Amini J., Lucas C. Generalized cooccurence matrix to classify IRS-1D images using neural network // 20 th ISPRS Congress (Istanbul, Turkey, July 12-23, 2004).: Proc. 2004. Pp. 117–123.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

14
Awad M., Chehdi K., Nasri A. Multicomponent image segmentation using a genetic algorithm and artificial neural network // IEEE Geoscience and Remote Sensing Letters. 2007. Vol. 4. No. 4. Pp. 571–575. DOI: 10.1109/LGRS.2007.903064
Total in-text references: 1
  1. In-text reference with the coordinate 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.

15
Zhou Z., Wei S., Zhang X., Zhao X. Remote sensing image segmentation based on selforganizing map at multiple-scale // Proc. of the Society of Photo-Optical Instrumentation Engineers (SPIE). 2007. Vol 6752. Pp. 122-126. DOI: 10.1117/12.760420
Total in-text references: 1
  1. In-text reference with the coordinate 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.

16
Kurnaz M.N., Dokur Z., Olmez T. Segmentation of remote-sensing images by incremental neural network // Pattern Recognition Letters. 2005. Vol. 26. No. 8. Pp. 1096–1104. DOI: 10.1016/j.patrec.2004.10.004
Total in-text references: 1
  1. In-text reference with the coordinate 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.

17
Белим С.В., Кутлунин П.Е. Выделение контуров на изображениях с помощью алгоритма кластеризации // Компьютерная оптика. 2015. Т. 39. No. 1. С. 119–124. DOI: 10.18287/0134-2452-2015-39-1-119-124
Total in-text references: 1
  1. In-text reference with the coordinate 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.

18
Белим С.В., Ларионов С.Б. Алгоритм сегментации изображений, основанный на поиске сообществ на графах // Компьютерная оптика. 2016. Т. 40. No 6. С. 904-910. DOI: 10.18287/2412-6179-2016-40-6-904-910
Total in-text references: 1
  1. In-text reference with the coordinate 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.