语义分割
文章平均质量分 63
小吕同学吖
这个作者很懒,什么都没留下…
展开
-
损失函数之图像分割
损失函数Cross Entropy LossDice LossIoU LossFocal LossBoundary Loss1、Cross Entropy LossLCE=−∑i=1Ny(i)logy^(i)+(1−y(i))log(1−y^(i))L_{CE} = - \sum_{i=1}^N y^{(i)}log\hat{y}^{(i)} + (1-y^{(i)})log(1-\hat{y}^{(i)})LCE=−i=1∑Ny(i)logy^(i)+(1−y(i))log(1原创 2021-09-30 14:01:59 · 576 阅读 · 0 评论 -
MONAI深度学习
参考:MONAI Projectmonai是一款基于pytorch的深度学习开源框架,主要用于医学图像的处理(分类、分割等)。主要优点:集成性好,训练速度快,涵盖当今流行的分类/分割网络。(更多优点待探索)缺点:对硬件要求较高,处理3D图像时,电脑配置太低就算了。安装MONAI推荐安装方式:git clone https://github.com/Project-MONAI/MONAI.gitcd MONAI/pip install -r requirements-dev.txtAPI原创 2021-09-26 10:50:02 · 1322 阅读 · 0 评论 -
S6-DeepLab v1&v2&v3 论文解读
Atrous(Dilated)Atrous,也叫convolution with holes(空洞卷积或扩张卷积),和pooling相比,atrous convolution也是下采样,只是采样的位置是固定的,可以更好的保持空间结构信息。此处引入一个扩充率参数(dilated rate),用来控制扩张(空洞填充)的大小。池化在增大感受野(接受域)会丢失空间结构信息,而空洞卷积在增大感受野的同时,...原创 2019-03-04 17:40:08 · 799 阅读 · 0 评论 -
图像分割方法(一)
图像分割方法(一)基于阈值的分割方法基于区域的分割方法基于边缘的分割方法基于特定理论的分割方法阈值分割全局阈值、自适应阈值、最佳阈值特点:计算简单、运算效率较高、速度快。区域分割区域生长的基本思想是将具有相似性质的像素集合起来构成区域。选定种子像素,相似性准则是灰度级、彩色、纹理、梯度等特性,生长准则根据不同原则制定。特点:优点是计算简单,对于较均匀的连通目标有较好...原创 2019-06-28 15:56:23 · 2626 阅读 · 0 评论 -
图像分割方法(二)
图像分割方法(二)基于深度学习的方法,12个主流分割网络,参考12篇文章带你逛遍主流分割网络原创 2019-07-09 09:14:24 · 231 阅读 · 0 评论 -
S7-ENet 论文解读
ENet(efficient)更加高效的分割网络,基于ResNet网络生成的。1+2、介绍语义分割对于理解图像的内容和寻找目标对象具有重要意义。(1)SegNet,编码器是普通的CNN,用于对输入进行分类;解码器用于对编码器的输出进行上采样(upsample)。架构庞大,参数较多,导致推理速度较慢。(2)FCN(3)其他现有的体系结构使用更简单的分类器,然后将它们与条件随机场(CRF)...原创 2019-02-27 13:21:06 · 1447 阅读 · 0 评论 -
S5-UNet 论文解读
看U-Net论文之前,通过FCN的学习会更好的了解此网络。FCN在上采样时,根据前一池化层上采样的结合实现像素的密集预测。而U-Net也是在上采样(扩展路径)结合下采样(收缩路径)生成特征向量。U-Net框架:图一:上图为U-net网络结构图(以最低分别率为32*32为例)。每个蓝色框对应一个多通道特征图(map),其中通道数在框顶标,x-y的大小位于框的左下角;白色框表示复制的特征图;箭头表...原创 2019-02-19 21:30:07 · 33577 阅读 · 6 评论 -
S3-ShelfNet 论文解读
ShelfNetShelfNet不同于标准的编码器-解码器结构,它具有多个编码器-解码器分支对,每个空间级别上都有跳跃连接,看起来就像一个有多个列的书架。该框架结构为信息流提供了多条路径,提高了分割精度。受循环卷积神经网络成功的启发,我们使用了两个卷积层共享权值的改进残差块。共享权块支持有效的特征提取和模型大小缩减。1、介绍语义分割的应用领域:场景分析、对象检测、实例分割等任务。Shelf...原创 2019-02-12 22:24:40 · 1491 阅读 · 0 评论 -
语义分割代码汇总
参考:https://www.aiuai.cn/aifarm62.html转载 2018-12-25 15:50:35 · 4093 阅读 · 0 评论 -
S4-SegNet 论文解读
SegNetSegNet是基于FCN,修改VGG-16网络得到的语义分割网络,有两种版本的SegNet,分别为SegNet与Bayesian SegNet,同时SegNet作者根据网络的深度提供了一个basic版(4层的浅网络)。1、SegNet网络框架:SegNet由encoder,decoder和softmax分类层组成。SegNet和FCN类似,只是在Decoder(Upsampli...原创 2019-02-16 23:20:09 · 1365 阅读 · 0 评论 -
S1-FCN 论文解读
全卷积网络1、介绍应用于空间密集预测任务,当代热门分类网络AlexNet,VGGNet,GoogleNet输入:任意大小输出:有效推理和学习(前向计算和后向推进)生成相应大小FCN是端到端,在语义分段上像素对像素的分类。FCN架构是将深的、粗的语义信息和浅的、细的外观信息结合起来,实现全局和局部信息共同编码和语义分割。译文:https://blog.csdn.net/scutjy2...原创 2019-01-29 22:11:36 · 182 阅读 · 0 评论 -
S2-CCNet 论文解读
CCNet :Criss-Cross(纵横交错的,十字交叉的)对于每一个像素,通过Criss-Cross Attention模块,在像素十字交叉的路径上获取周围像素的上下文信息。进一步重复操作,recurrent=2,捕获到相对精准分割信息。1、介绍图(a)是当前的,也就是原先的方法,参数有H x W个。图(b)是本文的方法,采用像素纵横交叉的区域,聚合出更加有效的信息。优点:(1)...原创 2019-02-02 21:44:21 · 9895 阅读 · 2 评论