- 博客(17)
- 收藏
- 关注
原创 清晰且逻辑连贯的论文结构
(用到的每一篇论文,都能有一个理由为其辩护,能说明你为什么选择它,它为什么重要。有些论文可能和你正进行的工作相关,有些工作可能是你解决问题的其它解决方法)我的研究和别人的研究异同点在哪里?有什么特别之处和创新点?给出论文内容的细节,解释工作的贡献以及它和你自己工作的关系。总目标:在这篇文章的研究方法中,涉及到了什么工作。重点:强调别人所做的工作与你自己的工作有某种联系。总目标:研究了什么问题?重点:保持鲜明的层次感和极强的逻辑性。总目标:研究得到了什么结果?总目标:研究是如何进行的?你的方法所依据的工作。
2023-12-23 19:15:06 537 1
原创 弱监督语义分割(WSSS)
CAM是一种可视化技术,用于确定神经网络中哪些区域对于特定类别识别贡献最大。在WSSS中,CAM用于生成伪标签,即将每个像素分配到具有最高激活的类别中,从而生成像素级别的伪标签。这些伪标签随后用于训练模型,以在训练过程中提供像素级别的监督信号。在弱监督语义分割中,会使用一些常见的,低成本的标签进行监督,来代替高成分的像素级标签。常见的会使用图像级标签进行监督,但从提上还是会将图像级标签转换成像素级标签(伪标签),常使用的方法有Class Activation Map(CAM)方法。
2023-04-16 14:44:30 980
原创 医学影像的格式转换
参考:医学影像数据之nii、npz、npy、dcm、mhd 的数据格式互转,及多目标分割处理汇总_nii.gz 和mhd_钱多多先森的博客-CSDN博客
2023-04-13 10:43:35 283
原创 2023半监督综述
中包含一个正则化项,以最小化同一图像的不同预测之间的差异,这些差异是通过对图像或相关模型应用扰动获得的。语义分割:将每个像素与相应的语义类别进行分类,从而为属于该类别的所有对象或图像区域赋予相同的类别标签。为混合方法,即将一致性正则化、伪标记和对比学习等方法组合构成。的方法,一个作为生成器,另一个作为鉴别器。,以及在标记数据上训练的模型以获得伪标签。为类似 GAN 结构和在两个网络之间进行。为基于对比学习的方法。为一致性正则化方法。依赖于先前对未标记数据所做的预测。与特定表示空间中的不同元素分开。
2023-04-01 20:44:40 220
原创 【跨图像上下文语义信息】
提高分割的鲁棒性:跨图像上下文语义信息可以帮助提高语义分割的鲁棒性。当图像中存在光照变化、图像噪声等问题时,通过使用多张图像中的信息可以更好地处理这些问题,提高分割的稳定性和鲁棒性。而跨图像上下文语义信息可以通过利用多张图像中的信息来增强单张图像的语义信息,从而提高语义分割的准确性和鲁棒性。提供全局上下文信息:单张图像中只包含了局部信息,而通过使用多张图像中的信息可以提供更全局的上下文信息。总之,跨图像上下文语义信息可以通过利用多张图像中的信息来增强单张图像的语义信息,从而提高语义分割的准确性和鲁棒性。
2023-03-14 20:42:24 208
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人