google/ffn

解决的问题

Flood-Filling Networks (FFNs) 专为在体积分层数据集中对复杂且大型的形状进行实例分割而设计，特别针对脑组织体积电子显微镜（EM）数据集。

工作原理

FFNs 使用专门的神经网络架构来迭代分割对象。该项目提供了工具，通过计算“分区”（特定半径内标记体素的量化部分）并生成用于采样的坐标文件，来准备训练数据。训练通过 train.py 脚本使用 TensorFlow 执行，推理可以作为批处理运行以分割整个体积，也可以通过基于种子的方法进行交互式操作，逐步扩展分割掩码。

适用人群

从事 3D 体积分层成像的研究人员和数据科学家，特别是专注于脑组织生物成像和电子显微镜分析的用户。

主要亮点

• 体积分割：特别优化用于大型且复杂的 3D 形状。
• 数据准备流水线：包含计算分区和构建高效训练用坐标文件的脚本。
• 训练与推理：支持非交互式批处理推理和交互式基于种子的分割。
• GPU 加速：针对 Tesla P100 GPU 及类似硬件进行了优化，适用于计算密集型的体积分层处理。