Компьютерные науки > Компютерное видение и распознавание модели [представлено 22 октября 2026 года] Название: " Выбор трубопроводов с раздельным покрытием судов на основе оценки вероятности: перекрестный набор данных о эффективности, структуре, режимах отказа и воспроизводимости PDF HTML (экспериментальный) резюме: Сегмент ретинального судна широко используется при анализе изображений сетчатки, однако выбор моделей только на основе совокупных показателей параллелизма может не учитывать структурную достоверность, надежность перекрестного набора данных и затраты на конкретные ошибки. Мы провели оценку пяти исполнимых двоичных газопроводов (FSG-Net, SA-UNetv2, DCP-1024, GAVE и FR-Unet) на 244 изображениях из шести публичных наборов данных с использованием соглашения о пикселе, стабильности перекрестного набора данных, удержания тонких судов, структурных параметров, состава ошибок и имеющихся вычислительных доказательств. Результаты были агрегированы с одинаковым взвешиванием по всем наборам данных. Ни один трубопровод не был оптимальным во всех местах. FSG-Net достигла наивысшего уровня равного набора данных, а SA-UNetv2 - наивысшей средней чувствительности (0,85) и чувствительной способности тонких судов (063). Различия между наборами данных зачастую были более значительными, чем у ведущих трубопроводов, и ошибки, которые объединяли все пять методов, концентрировались вблизи аннотированных границ судов и малогабаритных периферийных судов. В рамках дополнительного анализа…
Выбор трубопроводов с раздельным покрытием судов: перекрестный набор данных о характеристиках, структуре, режимах неисправности и воспроизводимости
arXiv: 261 035 357 v1 Annuales Type: New Humber: Retinal Stractivation boards широко используется при анализе сетчатки, однако выбор модели только на основе совокупных баллов параллелизма может не учитывать структурную достоверность, надежность перекрестных данных и расходы по ошибкам в конкретных приложениях. Мы провели оценку пяти исполнимых двоичных газопроводов (FSG-Net, SA-UNetv2, DCP-1024, GAVE и FR-Unet) на 244 изображениях из шести публичных наборов данных с использованием соглашения о пикселе, стабильности перекрестного набора данных, удержания тонких судов, структурных параметров, состава ошибок и имеющихся вычислительных доказательств. Результаты были агрегированы с одинаковым взвешиванием по всем наборам данных. Ни один трубопровод не был оптимальным во всех местах. FSG-Net достигла наивысшего уровня равного набора данных, а SA-UNetv2 - наивысшей средней чувствительности (0,85) и чувствительной способности тонких судов (063). Различия между наборами данных зачастую были более значительными, чем у ведущих трубопроводов, и ошибки