Basically, boundary-based iris segm

Basically, boundary-based iris segmentation methods require prominent contrast of structure components. Gradient and contour information was concerned more in such methods. While pixelbased methods rely highly on discriminative features such asimages’ texture, color and intensity. Also, approaches such as [30,31] integrated these two kind of methods. [30] first roughly cluster image pixels into iris and non-iris regions by setting threshold on brightness, and then on the obtained coarse iris location image, an integro-differential model was adopted to locate iris boundary. While [31] first used Random Walker to locate coarse boundary circle of iris region, then a series of operations based on statistical gray level intensity information were adopted for pixel-level boundary refine.Deep learning based methods. Benefited from large-scale data collection, rapid development on computing performance and fastGPU implementations of artificial neural networks [32–35], since 2010s, deep learning-based method dramatically boost in the field of computer vision, as well as the field of image segmentation [36–39]. Unlike traditional patch classification-based CNN models that using fully connected layers after convolutional layers to get fixed length feature vectors, FCN [39] allow arbitrary input image size and adopt deconvolution layer for upsampling the different convolutional layers’ feature maps to target size. Compared with former approaches, FCN avoided separately running network for each patch, and boosted segmentation speed. Papers including [11,12]introduce modified FCN to the task of iris segmentation. However,because the feature maps in FCN for upsampling is too coarse,FCN’s segmentation results are not fine enough. Unlike FCN that upsampling different size coarse feature maps to target resolution,U-Net [13] reform a lot in upsampling stage. U-Net adopt an encoder-decoder structure, and in U-Net’s successive layers, pooling operators are replaced by a serial of upsampling operators,which makes the whole network a symmetrical U-shaped model.U-Net has been proven good performance in the field of biomedical[40–42], and can work with relatively few training images and yields more precise segmentations.

結果 (繁體中文) 1:

基本上，基於邊界的虹膜分割方法需要結構部件的突出的對比度。梯度和輪廓信息，在這樣的方法更關注。雖然pixelbased方法高度依賴於辨別功能，如
圖像“的質地，顏色和強度。此外，如[30,31]集成這兩種方法的方法，例如。[30]第一大致簇圖像像素到虹膜和非虹膜區域通過在亮度設置閾值，然後對所得到的粗虹膜定位圖像，積分 - 微分模型獲得通過找到虹膜邊界。儘管[31]首先用隨機沃克定位虹膜區域的粗邊界圈，然後一系列基於統計灰度級的強度信息的操作被進行像素級邊界refine.Deep基於學習的方法採用。從大規模數據收集，快速發展得益於對計算性能和快速
人工神經網絡[32-35]，的GPU實現自2010年代，深基於學習的方法顯著地提升在計算機視覺的領域中，以及圖像分割[36-39]的領域。不同於傳統的基於分類補丁CNN模型卷積層之後使用完全連接層得到固定長度的特徵向量，FCN [39]允許任意輸入圖像的大小和採用反褶積層為上採樣不同卷積層“功能映射到目標大小。與前方法相比，FCN分別避免對每個貼片運行的網絡，和升壓分割速度。論文包括[11,12]
引入改性FCN虹膜分割的任務。然而，由於在FCN特徵地圖上採樣過於粗糙，FCN的分割結果不足夠細。不像FCN該上採樣不同大小粗略特徵映射到目標分辨率，U-Net的[13]改革了很多在上採樣階段。U形網採用的編碼器-解碼器的結構，並在U形網的連續層，匯集運營商通過上採樣運算符的串行，這使得整個網絡代替的對稱U形model.U-Net的已被證明在良好的性能生物醫學領域
[40-42]，並且可以工作相對較少訓練圖像並產生更精確的分割。

結果 (繁體中文) 2:

buggies
อาร์กิวเมนต์
ประโยชน์
เป็น อันตราย
วิพากษ์วิจารณ์
รากฐาน
ทันสมัย
อุปสงค์
สมมติฐาน
นักจิตวิทยา
ลอบทำลาย
ทั่ว ไป
ปัจเจก
การหายใจ
อาการ
เสถียรภาพ
การรักษาความปลอดภัย
แตร
แรง ดัน
เหยื่อ
ละเมิด
น่า พอ ใจ
ข้อ ผูก มัด
ความเป็นเพื่อน
ความสัมพันธ์

結果 (繁體中文) 3:

基本上，基於邊界的虹膜分割方法需要顯著的結構成分對比度。在這種方法中，梯度和輪廓資訊更為重要。而基於點數的方法高度依賴於諸如
影像的紋理、顏色和强度。而且，像[30,31]這樣的方法綜合了這兩種方法。[30]首先通過設定亮度閾值，將影像點數大致分為虹膜區域和非虹膜區域，然後對得到的虹膜粗定位影像採用積分微分模型進行虹膜邊界定位。文獻[31]首先利用隨機遊走器定位虹膜區域的粗邊界圓，然後採用基於統計灰度强度資訊的一系列操作對點數級邊界進行細化。得益於大規模的資料獲取、計算效能的快速發展和
人工神經網路的GPU實現[32-35]，自20世紀10年代以來，基於深度學習的方法在電腦視覺領域以及影像分割領域都有了巨大的發展[36-39]。與傳統的基於補丁分類的CNN模型使用卷積層後的全連通層來獲得固定長度的特徵向量不同，FCN[39]允許任意的輸入影像大小，並採用反卷積層將不同卷積層的特徵映射上採樣到目標大小。與以往的方法相比，FCN避免了每個補丁單獨運行網絡，提高了分割速度。論文包括[11,12]
將改進的FCN算灋引入虹膜分割中。但是，由於FCN中用於上採樣的特徵映射過於粗糙，FCN的分割結果不够精細。不同於FCN將不同大小的粗特徵映射到目標分辯率，U-Net[13]在上採樣階段進行了大量的改革。U-Net採用編解碼結構，在U-Net的連續層中，用一系列的上採樣運算元代替了彙聚運算元，使整個網絡成為一個對稱的U形模型，在生物醫學領域得到了良好的應用
[40–42]，並且可以處理相對較少的訓練影像並生成更精確的分段。