![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
个人学习笔记
文章平均质量分 86
存一下捏
CHEN7_98
狠狠学!
展开
-
医学图像目标跟踪论文阅读笔记 2024.03.14~2024.04.01
在DRR图像上设置ROI和目标概率图(TPM):从4D-DRR图像上,设置4个ROI(宽64像素,高128像素),ROI的中心坐标被设置为在图像中位移最大的位置(整个图像序列中每一帧位移之和最大的位置)。读完了整个算法的训练和实际运行过程,发现这个算法的主要思想就是确定好的ROI来生成一个TPM,TPM中的各个坐标对应的概率值代表了肿瘤中心在该位置的可能性。比较关键的一点在于,ROI是基于最大位移得到的,和ROI相同大小且基于肿瘤初始帧中心定义得到的TPM就一定能确保覆盖到整个跟踪期间肿瘤的所有可能位置。原创 2024-04-08 13:59:16 · 1106 阅读 · 0 评论 -
SiameseRPN原理详解(个人学习笔记)
了解RPN和SiamFC的话,可以很容易地理解SiameseRPN的架构和核心思想。还没跑过代码,希望有时间试试。原创 2024-03-29 21:42:04 · 893 阅读 · 0 评论 -
医学图像目标跟踪论文阅读笔记 2024.03.08~2024.03.14
baseline是一个OBT算法(onboard algorithm),对6名病人来说,OBT实现的平均DSC=0.68±0.16,与OBT相比,均匀训练的三种DL model的DSC提高了17.0−19.3%,基于自适应训练的模型的DSC提高了24.7− 25.7%。最后,将该图应用于参考图像的手动轮廓,以实现当前帧的轮廓。:相较于原论文中提出的模型,在编码器部分的每次最大池化(max-pooling)操作之后,以及在解码器部分的每次concatenation操作之后,添加了0.5的dropout层。原创 2024-03-14 16:26:22 · 1019 阅读 · 1 评论 -
Long-term Correlation Tracking LCT目标跟踪算法原理详解(个人学习笔记)
目录1. 算法总览2. 算法详解2.1. 基础相关滤波跟踪2.2. 各模块详解2.2.1. 相关跟踪2.2.2. 在线检测器3. 算法实现3.1. 算法步骤3.2. 实现细节4. 相关讨论&总结1. 算法总览LCT的总体流程如上图所示,其思想为:将长时跟踪(long-term tracking)分解为对运动目标的平移(translation)估计和尺度(scale)变化估计,再配置一个检测器(detector),以实现re-detection。其主要包含三个模块,即图中标红的部分,分别为:原创 2024-03-06 23:02:28 · 1312 阅读 · 0 评论 -
Kernelized Correlation Filters KCF算法原理详解(阅读笔记)
参考博文:首先温习一下最小二乘法.在矩阵形式下,最小二乘法的解w=(XTX)−1XTYw = (X^TX)^{-1}X^TYw=(XTX)−1XTY,XXX是一个m×nm×nm×n的矩阵,其中每一行代表样本,列代表样本的某一个属性。为了求得www,则必须要求矩阵(XTX)(X^TX)(XTX)满秩(满秩是可逆的充要条件)。然而在解决现实问题时,当XXX中的某些属性相关性较大时,XXX不一定满秩(线性相关⇔\Leftrightarrow⇔行列式为0⇔\Leftrightarrow⇔矩阵不满秩)。除此之外,当n原创 2024-02-19 22:28:30 · 1956 阅读 · 1 评论 -
RCNN Fast R-CNN Faster R-CNN总结(学习笔记)
Anchor box是怎么作用到RPN中的?网络是如何学习到分类和回归的呢?在RPN训练时,传给它的不是全部的特征图吗?是如何实现从全部特征图中将特定选择好的256个anchor box放入其中进行训练的呢?原创 2023-11-22 20:42:30 · 1092 阅读 · 1 评论 -
K-fold 交叉验证Q&A(随笔)
以简单的二分类问题为例,将完整的数据集划分为K组,每次选取其中的K-1组训练,训练出K个模型,再在剩下的1组中进行评估,得到这K个模型的分类性能(准确率、召回率等等),之后,将全部K个模型的分类性能取平均,即可以得到该模型在该数据集上解决该问题的性能。,了解其解决问题的能力,因此,当我们用K-fold得到表现最好的模型之后,我们。K-fold交叉验证只是。原创 2023-10-07 14:43:31 · 70 阅读 · 1 评论 -
ResNet个人学习笔记
而输入特征图的通道数目则决定了每个卷积核的通道数,也就是说,假设输入特征图的通道数为3,则每个卷积核会有3个通道,并对应输入特征图的通道,一一对应进行卷积运算。即,对于一次卷积操作或某一卷积层,会有输入特征图(多通道)作为该次卷积的输入,并输出进行完卷积操作后的特征图(多通道)。3(输入特征图的通道数,对应于一个卷积核的通道数)×(3×3)(某个卷积核的某一层的参数数量)×2(输出通道数)=54。输出特征图的通道数为多少,则该卷积层就会有多少个卷积核,每个卷积核相互独立,分别负责输出最终特征图的某一通道。原创 2023-12-04 13:13:48 · 397 阅读 · 1 评论 -
SiamFC个人学习笔记
SiamFC有两个分支对应两个输入为z(模板图像)和x(搜索区域),将他们同时输入进行特征提取,分别生成6×6×128和22×22×128的feature map。用于特征提取的φ代表backbone,用的是AlexNet,并且在SiamFC中,有个很大的特点:即没有在AlexNet中引入padding,这点很重要,因为这保证了网络的全卷积性,也即平移不变性,保证了计算的准确性。原创 2023-12-07 19:45:55 · 1516 阅读 · 1 评论