典型文献
基于热重启学习率的NAG算法在图像分割中的应用
文献摘要：
文章针对水平集演化模型的梯度下降法收敛速度较慢,且对局部极小值较为敏感的问题,提出一种热重启学习率和Nesterov加速梯度(Nesterov accelerated gradient,NAG)算法相结合的水平集演化方法,以替换Chan-Vese(CV)模型中用于演化水平集函数的梯度下降法,对2种算法的图像分割速度以及分割精准度进行了对比.首先根据CV模型和距离保持惩罚项建立初始的水平集演化方程;然后对NAG算法增加学习率动态变化项计算梯度来演化水平集函数;最后不断更新得到水平集函数直到收敛.使用ground truth(GT)图像评估分割精准度,通过与传统梯度下降法得到的实验结果对比,改进算法的CPU运行时间减少了30％ 以上且分割精确度明显提升,表明其可对图像进行有效且快速地分割.
文献关键词：
图像分割;基于区域的水平集方法;活动轮廓模型;Nesterov加速梯度(NAG)算法;热重启学习率
中图分类号：
作者姓名：
陈甦欣;晏文彬;吕华鑫
作者机构：
合肥工业大学 机械工程学院,安徽 合肥 230009
文献出处：
引用格式：
[1]陈甦欣;晏文彬;吕华鑫-.基于热重启学习率的NAG算法在图像分割中的应用)[J].合肥工业大学学报（自然科学版）,2022(07):920-924
A类：
热重启学习率,Vese,基于区域的水平集方法
B类：
NAG,图像分割,演化模型,梯度下降法,收敛速度,较慢,对局,局部极小值,Nesterov,加速梯度,accelerated,gradient,演化方法,Chan,CV,水平集函数,演化方程,不断更新,ground,truth,GT,估分,结果对比,改进算法,CPU,运行时间,活动轮廓模型
AB值：
0.273113
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
