2018年05月_m_buddy

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

原创基于高斯混合模型（GMM）脑部肿瘤分割算法

1. 前言说到图像分割，首先想到的便是诸如OTSU算法、区域自动生长之类的传统算法。虽然，这些算法的实现原理各不相同，但是有以下的缺点 1. 分割算法没有很好的自动化能力，比如区域生长算法 2. 分割的结果并不是最适宜的区域，比如OTSU 针对这样的问题，这里给出一种基于统计分析模型的自动化肿瘤分割方法。思路见下面的叙述。2. 算法思路首先分析拿到一张肿瘤图像进行分析 ...

2018-05-31 12:48:03 3579 5

原创高斯混合模型（GMM）

1. 前言高斯混合模型是使用高斯分布对原始数据进行估计，其中高斯函数的均值μμ\mu和方差σσ\sigma以及各个高斯函数分量占的比例αα\alpha这些参数是未知的。对于它们的求解是通过EM算法实现的。高斯混合模型可以表述为如下的概率分布模型： P(y|θ)=∑k=1Kαkϕ(y|θk)P(y|θ)=∑k=1Kαkϕ(y|θk)P(y|\theta)=\sum_{k=1}^{K}\al...

2018-05-27 16:02:47 2746

原创脑部CT检查图像检查床去除算法

1. 前言对于脑部肿瘤的诊断通常会拍摄患者CT与MRI两种类型的图像，之后结合起来进行分析。但是CT图像中就会出现检查床的区域，首先来看CT扫描设备是什么样子的可以在图中看到，在头部位置安装有固定头部的类似支架的东西，这个东西拍摄出来时什么样子呢？如下图所示：可以看到头部两边是有两个长条形的区域的，这个就是检查床的影响。但是呢这个东西在实际的诊断过程中是没有价值的，要将它去除掉...

2018-05-24 11:21:55 4384 16

1. 池化定义通常来说卷积之后的图像虽然在尺寸上有所减小，但是其尺寸还是较大，为了描述大的图像，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值 (或最大值)。这些概要统计特征不仅具有低得多的维度 (相比使用所有提取得到的特征)，同时还会改善结果(不容易过拟合)。这种聚合的操作就叫做池化 (pooling)，有时也称为平均池化或者最大池化...

2018-05-23 22:28:50 6236

原创 CNN网络中卷积层的正向传播与反向传播理解

1. 基础理论2. CNN正向运算3. CNN反向运算4. 参考资料

2018-05-23 21:14:39 11139

原创平方损失函数与交叉熵损失函数

1. 前言在机器学习中学习模型的参数是通过不断损失函数的值来实现的。对于机器学习中常见的损失函数有：平方损失函数与交叉熵损失函数。在本文中将讲述两者含义与响应的运用区别。2. 平方损失函数平方损失函数较为容易理解，它直接测量机器学习模型的输出与实际结果之间的距离。这里可以定义机器学习模型的输出为yiyiy_i，实际的结果为titit_i，那么平方损失函数可以被定义为： L(x)=...

2018-05-07 15:21:43 20254 2