论文笔记：A Global Covariance Descriptor for Nuclear Atypia Scoring in Breast Histopathology Images

最新推荐文章于 2020-09-07 09:39:35 发布
最新推荐文章于 2020-09-07 09:39:35 发布
阅读量829 收藏
点赞数
分类专栏： cnn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baidu_17806763/article/details/55210934
版权

Author: Adnan Mujahid Khan
论文原文链接：点击此处

摘要

细胞核非典型评分通常被用于评定不同癌症的肿瘤等级，包括乳腺癌。本文提出了一个新颖的图片等级描述器，这个方法是基于区域协方差描述器。我们称我们的描述器为geodesic mean of region covariance descriptor, 它能够处理协方差描述器中出现的吸引人的特征，同时能够使用有效的核数进行K最近邻分类。实验结果表明这个描述器的分类正确率要高于很多大范围内使用的图片层次描述器。

方法

这里写图片描述

特点

  1. 使用低维特征，降低分类计算量
  2. 对一张图片的不同区域分别进行计算，然后取geodesic geometric mean of the RC (gmRC).
  3. 利用k最近邻算法对测试数据进行分类。

贡献

  1. 提出图片描述器：gmRC
  2. 利用基于GkNN分类方法。。。怎么扯到黎曼了。。没看懂
  3. 、、、咋就扯到欧几里得了，运用的欧几里得距离。

这里写图片描述

该方法获得了ATYPIA 2014 第一名

Emma-SJ
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Region Covariance: A Fast Descriptor forDetection and Classification算法流程简介
yiyouxian的专栏
04-07 1771
Region Covariance: A Fast DescriptorforDetection and Classification算法流程简介 1.        首先计算图像的特征矩阵 其中F(x,y)维度为W×H×d，W，H分别为图像的宽和高，d为特征种类数 提取的特征为intensity, color, gradients以及各种频域变换后的值。   2.
双线性汇合(bilinear pooling)在细粒度图像分析及其他领域的进展综述
SIGAI_CSDN的博客
11-20 1万+
作者简介： 张皓 南京大学计算机系机器学习与数据挖掘所（LAMDA） 研究方向为计算机视觉和机器学习，特别是视觉识别和深度学习 个人主页：goo.gl/N715YT 细粒度图像分类旨在同一大类图像的确切子类。由于不同子类之间的视觉差异很小，而且容易受姿势、视角、图像中目标位置等影响，这是一个很有挑战性的任务。因此，类间差异通常比类内差异更小。双线性汇合（bilinear pooli...
Deep Covariance Descriptors for Facial Expression Recognition
heruili的博客
05-27 285
N. Otberdout, A. Kacem, M. Daoudi, L. Ballihi, and S. Berretti, “Deep covariance descriptors for facial expression recognition,” in BMVC, 2018 Abstract 本文利用协方差矩阵对深度卷积神经网络(DCNN)特征进行编码，用于人脸表情识别。协方差矩阵的...
9/7（CVPR18）Towards Faster Training of Global Covariance Pooling Networks by Iterative Matrix Square
qq_40723205的博客
09-07 543
不断学习得到一个表达能力强的feature，表示图像时候做了个全局pooling,相当于取了一个均值，从统计的意义上说均值只是一阶的信息。 深度分类网络主要分为两个部分：特征提取和分类器。无论是VGG还是GoogleNet，后来的Resnet、Densenet，仔细观察可以发现，无论设计了多么性能优异的网络，在连接分类器之前，一般都连接了一个Pooling层，如下表所示： 无论是Average Pooling也好，还是Max Pooling也好，终究使用的是关于feature的一阶信息。..
实验笔记之——covariance matrix pooling
gwpscut的博客
06-17 2873
本博文为协方差池化的实验笔记。具体理论请参考博客《学习笔记之——covariance pooling》 实验python train.py -opt options/train/train_sr.json 先激活虚拟环境source activate pytorch tensorboard --logdir tb_logger/ --port 6008 浏览器打开http://172.20...
global_mini.rar_covariance_find minimum matlab_global minimum_gl
07-14
寻找函数的全局极小值，global minimization of contrast function with random restarts the data are assumed whitened (i.e. with identity covariance matrix). The output is such that Wopt*x are the ...
Duration Dependent Covariance Regularization in PLDA Modeling for Speaker Verification
02-06
Duration Dependent Covariance Regularization in PLDA Modeling for Speaker Verification
Circular Cross Covariance：Circular Cross Covariance 函数估计。-matlab开发
06-01
圆形互协方差是两个向量的归​​一化圆形互相关函数，去除了它们的均值： c(k) = sum[a(n)-mean(a))*conj(b(n+k)-mean(b))]/[norm(a-mean(a))*norm(b-mean) (b))]； 其中向量 b 循环移位 k 个样本。 该函数不检查...
MUSIC-algorithm.rar_covariance doa_协方差矩阵_阵列天线_阵列特征分解
07-15
基于天线阵列协方差矩阵的特征分解类DOA估计算法
SPL-He-2014-code.rar_DOA sparse_covariance doa_sparse doa_sparse
07-14
Underdetermined DOA estimation for wideband signals using robust sparse covariance fitting
facial expression animation
12-22
这是国外一牛人做的人脸表情动画，采用3DSMAX建模，结合VC和opengl技术，很好，很全，可以直接运行
期望 方差 协方差 协方差矩阵 (Expectation Variance Covariance)
Daniel_djf的专栏
12-24 1万+
在学习机器学习的算法时经常会碰到随机变量的数字特征，所以在这里做一个简单的总结。 1、         期望(Expectation) 离散： 其中，f(x)为随机变量x的概率函数，事实上期望就是随机变量的平均数。    连续： 连续情况和离散的类似，只是把求和换成了积分。   求解关于自变量函数的期望的公式如下，其实自变量x的期望是r(x)=x的一个特例。 离散
[深度学习从入门到女装]Global average pooling
炼丹师
11-27 1365
论文地址：Network In Network   Global average pooling的概念来自于Network In Network这篇论文，这篇文章中提出了MIN，也就是用多层感知器来代替卷积的这种方法，如下图，左图是一个普通的卷积操作，右图为多层感知器的卷积 下图为提出的整个网络结构 因为这种网络基本没有人使用，所以就不详细的讲解   但是这篇文章的另一个思想也...
深度学习中的高阶特征
有问题请直接说问题就好
09-15 6249
深度学习中的高阶特征
CVPR 2017最佳论文
没有最好，只有更好！
10-18 1874
2017 CVPR最佳论文- Densely Connected Convolutional Networks。 论文网址：https://arxiv.org/abs/1608.06993 该论文提出一种DenseNet模型，实现了CNN中每一层都以前馈的方式与其他层相连。传统的CNN模型中，L层的网络有L个连接，而对于DenseNet模型，则具有L(L+1)/2个连接。对于每一层，它之
协方差的意义
热门推荐
每一天为明天@liitokala
10-18 3万+
协方差的意义 转载于：http://bbs.mathchina.com/cgi-bin/topic.cgi?forum=5&topic=14444（感谢原作者）  在概率论中，两个随机变量 X 与 Y 之间相互关系，大致有下列3种情况： 当 X, Y 的联合分布像上图那样时，我们可以看出，大致上有： X 越大  Y 也越大， X 越小  Y 也越小，这种情况，我们称为“正
论文笔记：Adaptive Run Length Smoothing
粉红豹的妖精洞
02-23 895
题目：Segmentationof historical machine-printed documents using Adaptive Run Length Smoothing andskeleton segmentation paths 作者：Nikos Nikolaou a,b,*, Michael Makridis a, Basilis Gatos b, NikolaosStamato
CVPR 2018摘要：第二部分
sinat_33487968的博客
11-22 182
CVPR 2018摘要：第二部分 ...
Proof of a PD covariance matrix for conditional Gaussian
lcj_cjfykx的专栏
08-27 799
Proof of a PD covariance matrix for conditional Gaussian 1down vote Elsewhere in mathematics, this procedure is called completing the square. As is familiar from the Quadra
region covariance descriptor python
最新发布
11-25
Region covariance descriptor是一种在计算机视觉领域常用的特征描述子。它可以用于对图像或视频中的物体进行识别和分类。 在Python中，可以使用scikit-learn库来计算Region covariance descriptor。 首先，需要导入库和模块： ```python from skimage.feature import local_binary_pattern from skimage.feature import regionprops import numpy as np ``` 然后，读取图像并将其转换为灰度图像： ```python image = skimage.io.imread('image.jpg') gray = skimage.color.rgb2gray(image) ``` 接下来，定义一个函数来计算Region covariance descriptor： ```python def compute_region_covariance(image, bounding_box): # 提取感兴趣区域 region = gray[bounding_box[0]:bounding_box[2], bounding_box[1]:bounding_box[3]] # 计算LBP特征 lbp = local_binary_pattern(region, 8, 1, method='uniform') # 计算区域属性 props = regionprops(lbp) # 提取协方差矩阵 cov_matrix = np.cov(props) return cov_matrix ``` 最后，调用函数并打印结果： ```python bounding_box = [0, 0, 100, 100] # 感兴趣区域的边界框坐标 [ymin, xmin, ymax, xmax] descriptor = compute_region_covariance(gray, bounding_box) print(descriptor) ``` 以上就是使用Python计算Region covariance descriptor的简单示例。通过计算该描述子，我们可以有效地表示图像中不同区域的特征，并应用于各种计算机视觉任务，如目标检测、图像匹配等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值