概述
A CNN Regression Approach for Real-Time 2D/3D Registration
- 目标
- 方法
- 新知识点
- 待查点
- 词汇
目标
利用CNN回归解决在基于幅值的 2D/3D配准中的两个限制：
- 计算慢
- 搜索范围小
方法
- 利用 CNN 回归，Pose Estimation via Hierarchical Learning 实现2D/3D配准。
- Local image residual(LIR)
- Parameter space partitioning(PSP)
- Hierarchical parameter regression(HPR)
新知识点
- 基于赋值的配准策略因配准范围小而采用较为精确的初始化。
- 将刚性变换的六个矩阵拆分成为三个平面内和三个平面外两部分。平面内为
t
x
,
t
y
,
t
θ
t_x,t_y, t_{theta}
tx,ty,tθ, 平面外为
t
z
,
t
α
,
t
β
t_z, t_{alpha},t_{beta}
tz,tα,tβ.
待查点
- Miao[8] 提出了基于形状编码和模板匹配的初始位姿估计。
看其形状编码和模板匹配策略，是否能用来估计超声图像的形状。 - Stochastic Rank Correlation(SRC)[10].
- Splatting[11][12]. 怎么将体数投影到图像平面。
- Ray-Casting algorithm[13]:如何进行2D 3D图像之间的转换。
- 监督学习用来2D/3D配准[14][15].
- 回归学习用来2D/3D配准[16][17].
- [18]了解其是如果采用CNN配准和K近邻进行位置估计的。其精度不高但方法原理估计值得借鉴。
- 平面内变换近视2D刚性变换。
- 平面外变换影响形状和缩放变换。
词汇
far from being trivial: 难。
最后
以上就是沉默月饼为你收集整理的论文笔记目标方法新知识点待查点词汇的全部内容，希望文章能够帮你解决论文笔记目标方法新知识点待查点词汇所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复