Mac升级为Sierra后安装caffe的问题

三年前的Mac到手后一直懒得做更新,主要是因为系统升级后一些有依赖的软件都需要更新,有时还挺容易出问题。为了安全稳定起见,OSX 10.9系统就被我用了三年。但是,这么久不更新实在跟不上潮流了,最近想安装TensorFlow,结果我这么旧的系统被它鄙视并且拒绝了,只好趁着假期把系统更新一下。结果一更新,原来的caffe就用不了,编译过程出现了写问题,本博文记录了这些问题和对应的解决方案。...
阅读(3981) 评论(4)

深度学习在图像超分辨率重建中的应用

超分辨率技术(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。本文介绍几个较新的基于深度学习的SR方法,包括SRCNN,DRCN, ESPCN,VESPCN和SRGAN等。...
阅读(7403) 评论(4)

深度对抗学习在图像分割和超分辨率中的应用

深度学习已经在图像分类、检测、分割、高分辨率图像生成等诸多领域取得了突破性的成绩。但是它也存在一些问题。本文介绍使用对抗学习作为一种规则化的 方法,设计新的代价函数,提高深度学习在图像分割和高分辨率图像重建的应用。...
阅读(4582) 评论(2)

图像可形变配准的Demons方法

图像的可形变配准分为参数法和非参数法,参数法例如仿射变换、B-spline based FFD等方法通过对形变的参数化表示,减小求解的变量个数,但是也限制了形变复杂程度。非参数化的方法将图像的形变表示成位移场,每一个像素都有一个位移,可以表示更加复杂的形变,但是要求解的变量也更多。Demons就是一种著名的非参数化可形变配准方法,它最早来自于光流算法。...
阅读(2726) 评论(5)

CNN在基于弱监督学习的图像分割中的应用

最近基于深度学习的图像分割技术一般依赖于卷积神经网络CNN的训练,训练过程中需要非常大量的标记图像,即一般要求训练图像中都要有精确的分割结果。对于图像分割而言,要得到大量的完整标记过的图像非常困难, 因此使用弱监督学习可以克服这个问题。...
阅读(3555) 评论(0)

深度卷积神经网络在目标检测中的进展

近些年来,深度卷积神经网络(DCNN)在图像分类和识别上取得了很显著的提高。回顾从2014到2016这两年多的时间,先后涌现出了R-CNN,Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD等越来越快速的监测方法。...
阅读(6724) 评论(2)

CRF as RNN的原理及Caffe实现

CRF(Conditional Random Field)是图像分割中很常用的后处理算法。在《全卷积网络(FCN)与图像分割 》这篇博文中提到,FCN可以得到较好的分割结果,Chen, Liang-Chieh, et al. 2014在其基础上使用fully connected CRF得到了更好的效果,但是FCN的步骤和CRF的步骤是分开的。Zheng et al 2015将fully connec...
阅读(7184) 评论(1)

深度学习的资料清单

神经网络和卷积神经网络的基础知识1, Michael Nielsen写的在线教程 http://neuralnetworksanddeeplearning.com/介绍了神经网络的基本结构,有例子展示为何神经网络可以学习任何函数,为什么传统的深度学习很慢等。还提供了基于Theano的用于MNIST手写数字的识别的例子代码。2, 斯坦福大学的深度学习课程 http://cs231n.github.i...
阅读(2197) 评论(0)

全卷积网络(FCN)与图像分割

与传统用CNN进行图像分割的方法相比,FCN有两大明显的优点:一是可以接受任意大小的输入图像,而不用要求所有的训练图像和测试图像具有同样的尺寸。二是更加高效,因为避免了由于使用像素块而带来的重复存储和计算卷积的问题。...
阅读(41698) 评论(6)

ImageNet和CNN可以帮助医学图像的识别吗?

对于医学图像而言,得到大规模的训练数据是比较不容易的,那么可否使用Transfer Learning利用现成的ImageNet的图像来帮助医学图像的识别呢?ImageNet里面的图像(二维,彩色)没有医学图像,包含一些诸如鸟类、猫、狗、直升机等物体的识别,与医学图像(二维或三维,非彩色)相差很大。如果回答是肯定的话,是一件令人非常振奋的事情。...
阅读(6904) 评论(3)

MVC, MVP与MVVM

MVC(Model-View-Controller)是开发有用户界面的软件最常见的架构之一。它将一个给定的软件应用程序分成三个相互连接的部分,从而将信息的内部表示与它被展示给用户或者接受用户输入的部分分开。MVC的概念最初在70年代提出,随后不断地演化,产生了许多变种,例如HMVC, MVP, MVVM等。...
阅读(819) 评论(1)

深度学习框架Caffe在Mac上的安装和测试

先概括一下深度学习的几大流行的框架:Pylearn2, Theano, Caffe, Torch, Cuda-covnet,Deeplarning4j等。Theano是一个Python库,也是一个强大的数学表达式编译器。Pylearn2是在Theano基础上建立的机器学习库。用户可以用数学表达式写Pylearn2的插件(新的model, algorithm等), Theano将这些表达式进行优化和稳定化,然后进行编译。...
阅读(16351) 评论(6)

神经网络及卷积神经网络的训练——反向传播算法

神经网络的训练过程,就是通过已有的样本,求取使代价函数最小化时所对应的参数。代价函数测量的是模型对样本的预测值与其真实值之间的误差,最小化的求解一般使用梯度下降法(Gradient Decent)或其他与梯度有关的方法。其中的步骤包括: 初始化参数。 求代价函数关于参数的梯度。 根据梯度更新参数的值。 经过迭代以后取得最佳参数,从而完成神经网络的训练。...
阅读(9918) 评论(2)

卷积神经网络及其在图像处理中的应用

一,前言卷积神经网络(Constitutional Neural Networks, CNN)是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。先回顾一下多层神经网络: 多层神经网络包括一个输入层和一个输出层,中间有多个隐藏层。每一层有若干个神经元,相邻的两层之间的后一层的每一个神经元都分别与前一层的每一个神经元连接。在一般的识别问题中,输入层代表特征向量,输入...
阅读(29267) 评论(21)

期望值最大化算法

一,最大似然估计与隐变量 期望值最大化算法是用来对包含隐变量的样本点的分布函数的参数估计方法。在参数估计中常常通过最大似然函数进行估计,由于隐变量的存在,不能直接求解这个最大似然函数,期望值最大化算法就是将这个最大似然函数的求解问题转化为求解其下界的最大值的问题,通过一个求隐变量的分布的“期望值”步骤和一个求似然函数最大化的“最大值”步骤完成。 假如有一批训练样本Xi (i=1,2,..I...
阅读(2528) 评论(0)

机器学习在器官定位方面的应用

随着计算机计算能力的增强和大批量医学图像的涌现,机器学习技术在医学图像处理领域的应用已获得越来越多的关注。其思想是通过计算机对大批量训练数据的统计学习,来预测新的待处理图像的相关信息。关于统计学习,推荐一本Hastie的2009年的一本书: The Elements of Statistical Learning: Data Mining, Inference and Prediction (pd...
阅读(1702) 评论(0)

Cmake的使用例子

以前习惯了在windows下写代码时直接用MSVC新建项目,后来要在Linux下开发,以前写的代码不能直接使用,还要仔细地写makefile,实在是费事费力;再后来又在Mac中使用Xcode,除了对自己编写的代码本身的可移植性有很高的要求外,还会遇到使用QT、VTK、ITK、OpenCV等其他开源库的情况,这时安装好这些库后要在自己的项目文件中使用,包含文件、依赖库的配置也比较费事。...
阅读(1745) 评论(0)

MITK简介及安装

一,MITK简介 MITK (Medical Imaging Interaction Toolkit)是一个开源软件平台,可用来做交互式的医学图像处理软件。该软件结合了ITK(nsight Toolkit)和VTK(Visualization Toolkit)的特性。ITK提供了强大的图像处理(分割、配准等)功能,而VTK主要实现对数据的可视化。VTK虽然提供可视化,但是对用户交互的支持比较弱,...
阅读(9270) 评论(11)

医学图像处理开源软件

通用: VTK         VTK (the visualization toolkit)是一款免费开源的用于三维计算机图形学、图像处理以及可视化的软件包。包含了C++类库并且提供对Tcl/Tk, Java 和Python等解释性语言的支持. ITK         ITK是一个开源、跨平台的,提供了大量的图像处理功能的软件工具。可用于多维图像的分割与配准。 FSL...
阅读(4155) 评论(1)

图割与最大流和连续最大流算法

在图像分割中,图割是近年来十分流行的交互式分割方法。与比它早一些出现的水平集、活动轮廓等分割方法相似,都是基于能量最小化的最优求解从而得到分割结果,不同的是其结果能得到全局最优解。 在离散域中,图像的分割可以通过使以下能量函数最小化得到: 其中...
阅读(4769) 评论(0)
43条 共3页1 2 3 下一页 尾页
    个人资料
    • 访问:289421次
    • 积分:2721
    • 等级:
    • 排名:第14630名
    • 原创:43篇
    • 转载:0篇
    • 译文:0篇
    • 评论:93条
    文章分类
    最新评论