【医疗图像分割 资料整理 - 下】关于深度学习的一些概念

01 正则化

——正则化防止过拟合，为惩罚高阶参数，在代价函数中加入惩罚项/正则化项

参考：
https://blog.csdn.net/speargod/article/details/80233619

——对于神经网络，约束M，以防止过拟合

02 语义分割

除了自动驾驶之外，图像分割还广泛应用于医学诊断、卫星影像定位、图片合成等领域

• http://baijiahao.baidu.com/s?id=1602428106371812559&wfr=spider&for=pc
• https://www.cnblogs.com/xiaoming123abc/p/5883927.html
• https://blog.csdn.net/sinat_35496345/article/details/79609529

03 FCN中的语义分割

语义分割是计算机视觉中的基本任务，也是计算机视觉的热点，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，「语义Semantic Segmentation的可解释性」即分类类别在真实世界中是有意义的。

例如，我们可能需要区分图像中属于汽车的所有像素，并把这些像素涂成蓝色。与图像分类，语义分割使我们对图像有更加细致的了解。说白了，就是将图片上所有的像素点进行分类。

04 全连接层

参考：

• 全连接层的通俗理解
  https://blog.csdn.net/qq_39521554/article/details/81385159

本质就是由一个特征空间线性变换到另一个特征空间。
在 CNN 中，全连接常出现在最后几层，用于对前面设计的特征做加权和。比如 mnist，前面的卷积和池化相当于做特征工程，后面的全连接相当于做特征加权。（卷积相当于全连接的有意弱化，按照局部视野的启发，把局部之外的弱影响直接抹为零影响；还做了一点强制，不同的局部所使用的参数居然一致。弱化使参数变少，节省计算量，又专攻局部不贪多求全；强制进一步减少参数。少即是多） 在 RNN 中，全连接用来把 embedding 空间拉到隐层空间，把隐层空间转回 label 空间等。

05 概率图谱

https://blog.csdn.net/wmyan/article/details/80807173

06 优化器的选择

https://blog.csdn.net/jinxiaonian11/article/details/83141916

07 损失函数的选择

• https://blog.csdn.net/sinat_24143931/article/details/79033538
• https://stats.stackexchange.com/questions/321460/dice-coefficient-loss-function-vs-cross-entropy?tdsourcetag=s_pctim_aiomsg
• Focal Loss 提出论文https://www.jianshu.com/p/204d9ad9507f

08 数据集增强

• 图像增强
  https://blog.csdn.net/qianbin3200896/article/details/88656524
• 数据集增强方式
  https://blog.csdn.net/feilong_csdn/article/details/82813382

09 弱分类器

https://blog.csdn.net/BIT_666/article/details/80269101

10 分割

• 从FCN到DeepLab v3分隔算法综述
  https://blog.csdn.net/gzq0723/article/details/82836769

11 多尺度池化

https://blog.csdn.net/happyer88/article/details/51418059

12 特征金字塔

• https://blog.csdn.net/zchang81/article/details/76155460
• https://blog.csdn.net/shuzfan/article/details/54913369

13 降采样 & 升采样

https://www.cnblogs.com/Allen-rg/p/5522412.html

降采样：减少采样点
升采样：插值

14 灰度归一化

https://blog.csdn.net/discoverer100/article/details/61426650
在许多图像处理系统中，对图像进行归一化都是必备的预处理过程。一般而言，对于灰度图像（或彩色通道的每个颜色分量）进行灰度归一化就是：使其像素的灰度值分布在0~255之间，避免图像对比度不足（图像像素亮度分布不平衡）从而对后续处理带来干扰。

一种常见的图像归一化原理1是y=(x-MinValue)/(MaxValue-MinValue)
其中x、y分别为归一化前、归一化后的值，MaxValue、MinValue分别为原始图像灰度的最大值和最小值。

15 网络加深的影响

https://www.jianshu.com/p/35c6b64b7468