Key points are not available for this paper at this time.
كطريقة لتقسيم الصور تعتمد على نظرية الرسوم البيانية، جذبت GrabCut المزيد من الباحثين للاهتمام بهذه الطريقة الجديدة بسبب مزاياها المتمثلة في سهولة التشغيل والتقسيم الممتاز. لتوضيح حالة البحث حول GrabCut، نبدأ بنموذج GrabCut الأصلي، ونراجع الخوارزميات المحسنة التي جديدة أو مهمة استنادًا إلى GrabCut في السنوات الأخيرة، ونصنفها من حيث المعالجة المسبقة استنادًا إلى السوبر بكسل، وخريطة البروز، وتعديل دالة الطاقة، والتحسين غير التفاعلي وبعض الخوارزميات المحسنة الأخرى. كما يتم مراجعة حالة تطبيق GrabCut في مجالات متنوعة. نجري أيضًا بعض التجارب على بعض الخوارزميات المحسنة الكلاسيكية، بما في ذلك GrabCut وLazySnapping وOneCut وSaliency Cuts وDenseCut وDeep GrabCut، ونحلل النتائج التجريبية بشكل موضوعي باستخدام خمسة مؤشرات تقييم للتحقق من أداء GrabCut. أخيرًا، تم الإشارة إلى بعض المشاكل الموجودة ونقترح أيضًا بعض الأعمال المستقبلية.
قام وانغ وآخرون (الجمعة) بدراسة هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: