- 博客(49)
- 收藏
- 关注
原创 [小技巧]把.nii.gz文件从3D图像变成2D图像
很多时候3D网络由于参数量大,不好训练,一般转换成2D图像使用2D网络进行训练,当然也会有比如切片上下文信息丢失的问题,抛开不谈。(2D->2.5D)在这里插入代码片。
2024-03-27 15:31:02 455
原创 [小技巧]拿到的.nii.gz的图像数据和标签数据大小不匹配怎么办
在ITK分别打开两个数据发现,就是mask上的标签数据和image上的相应位置还是对应的。发现有它们大概是间隔不同。受到的手工标注的标签数据mask.nii.gz和原来图像数据.nii.gz大小不匹配。
2024-03-27 15:19:27 258
原创 【论文阅读】Long-Tailed Recognition via Weight Balancing(CVPR2022)附MaxNorm的代码
长尾问题的解决,CVPR2022
2024-01-29 21:11:42 1236 4
原创 【论文阅读】(CVPR 2023 Highlight)Devil is in the Queries: Advancing Mask Transformers for Real-world ...
医学图像分割或者分类中的近OOD问题。
2024-01-23 20:19:36 1041
原创 【论文阅读】Self-supervised Learning: Generative or Contrastive
Self-supervised Learning: Generative or Contrastive论文阅读
2024-01-12 21:12:59 1517
原创 【ICCV2023论文阅读】XNet(能跑通代码)
这篇文章提出了一种基于小波的LF和HF融合模型XNet,它支持全监督和半监督语义分割,并在这两个领域都优于最先进的模型。
2023-12-01 15:45:12 1530 2
原创 记录一下一些卷积模块
膨胀卷积的主要缺点是网格效应(grid effect),即在膨胀卷积中,卷积核的一些部分可能会对输入特征图中相邻像素进行重复计算,从而导致过拟合和破坏卷积操作的局部性。膨胀卷积是一种扩展卷积核感受野的方法,通过在卷积核中间插入一定数量的空洞,可以实现在不增加参数数量的情况下扩展卷积核的有效感受野,进而增加神经网络的感受野大小。例如,在深度可分离卷积中,就利用了分组卷积的思想,将一个普通卷积分解为一个深度卷积和一个逐点卷积,从而减少了计算量,同时还能提高模型的效果。那么,分组卷积将输入和卷积核分成。
2023-10-11 11:44:38 172
原创 【论文阅读】通过3D和2D网络的交叉示教实现稀疏标注的3D医学图像分割(CVPR2023)
3D和2D网络相互监督 稀疏注释下,3D医学图像分割。
2023-10-01 14:18:20 1209
原创 【论文阅读】Prototypical Networks for Few-shot Learning
本文结合论文和youtube上的视频来整理一下对prototypical networks在few-shot领域的理解。问题:少镜头分类问题(在只给定少量实例的情况下,分类器必须推广到未看到的新类)。提出的解决方案:Prototypical Networks学习一个度量空间,在该空间中,可以通过计算得到每个类的原型表示的距离来执行分类。优点:与最近少镜头学习方法相比,它们反映了一种更简单的归纳偏差,这种偏差在优先数据的状态下是有益的,取得了出色的结果。分析。
2023-09-27 10:32:23 1429
原创 处理.dcm图像别转换成.nii文件了
做一个3D图像分类。有很多的图像切片,图像是.dcm格式的。我尝试过把它转换成jpg格式,但是感觉不太整洁,就把它们预处理后都变成.nii格式。每次读取一个.nii文件,非常整洁。
2023-09-26 10:54:55 215
原创 【论文阅读】DenseMP: Unsupervised Dense Pre-training for Few-shot Medical Image Segmentation
DenseMP 结合了分割感知密集对比预训练和少镜头感知超像素引导的密集预训练,有助于对有价值的特征进行无监督学习。
2023-09-23 17:42:57 109
原创 【论文阅读】Directional Connectivity-based Segmentation of Medical Images(可以跑通代码)
CVPR2023有效地将方向子空间从共享潜在空间中解耦可以显著增强基于连通性网络中的特征表示。
2023-09-21 19:58:36 2047 6
原创 【论文阅读】Multi-view Self-supervised Disentanglement for General Image Denoising
MeD 提出新的图像去噪任务的模式图像解耦。性能效果出色。
2023-09-20 09:31:24 282
原创 【论文阅读】Noise2Noise:Learning Image Restoration without Clean Data
noise2nosie 论文
2023-08-28 10:03:33 115
原创 【论文阅读】EGE-UNet: anEfficient Group Enhanced UNet for skin lesion segmentation
轻量级模型,参数和计算复杂度降低的同时分割精度提升。
2023-08-01 19:51:01 1489 4
原创 【论文阅读】Small-Object Sensitive Segmentation Using Across Feature Map Attention
小目标分割论文,即插即用模块,待更新...
2023-07-20 22:56:45 704 8
原创 【论文阅读】像素博弈:把红外小目标分割问题当做纳什均衡问题
红外小目标分割(ISTS)的一个关键挑战是平衡假阴性FN和假阳性FP像素。FN players和FP players有不同的策略:一种是最小化FN,一种是最小化FP。效用函数推动了两个参与者的发展。文章认为像素游戏的纳什均衡是最优解,提出了最大信息调制,MIM有效地关注突出区域,包括小目标。在两个标准公共数据集上的大量实验也证明了文章方法的有效性。相比于其他的先进的方法,文章的方法在IOU和F1上取得了更好的效果。
2023-07-15 21:18:27 213
原创 [论文阅读]SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation
通过重新查看成功的分割模型所拥有的特征,发现了导致分割模型性能提升的几个关键组件。正确设计卷积网络得到很好的结果。
2023-04-05 20:34:48 179 3
原创 Rethinking Bottleneck Structure for Efficient Mobile Network Design
提出新颖的bottleneck设计,称为sandglass block。在更高维度进行恒等映射和空间转换,有效缓解信息丢失和梯度混淆,非常有效。
2023-03-30 14:28:45 426
原创 MedNeXt: Transformer-driven Scaling of ConvNets for Medical Image Segmentation
在这篇工作中,设计一个现代化和可扩展的卷积架构,针对数据稀缺的医疗环境的挑战进行定制.
2023-03-29 20:44:48 831 2
原创 [医学分割论文阅读]CAN:Context-assisted full Attention Network for brain tissue segmentation
这篇文章是利用3种输入,分别用3个共享参数的DenseNet网络提取特征,然后用全注意力解码器解码,输出最后分割结果,在脑组织分割上效果很好。
2023-03-24 11:59:41 297 1
原创 【论文阅读】MAE Masked Autoencoders Are Scalable Vision Learners
受自然语言处理中的BERT的启发,在考虑自然语言和图像之间的区别之后,依据图像的特性提出MAE。MAE之后有许多工作改进。
2023-03-22 10:33:03 124
原创 结合李沐动手学深度学习配置环境
windows:从官网上下载对应版本的anaconda,。(大家安装完了千万不用pip install jupyter在一个虚拟环境里,我上一个anaconda就是这样没的。回到正题,就是运行下载的.exe文件,next,I agree ,Just me,选择安装路径,记住自己选择的安装路径。
2023-03-20 19:41:08 372
原创 CA-Net论文阅读
要设计注意力方面的医学分割模型,CANet是集合了3种注意力,做了很详尽的消融实验。并且它的可解释性强,这对医学分割来说是非常重要的。
2023-03-13 20:21:23 756 2
原创 Non-local U-Nets for Biomedical Image Segmentation
简单介绍了Non_local U-Net的方法。Non_local U-Net是第一个把自注意力模块引入到医学图像分割中的模型,并且它巧妙地利用了残差连接,获得了很好的效果。
2023-03-12 14:25:07 181
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