![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 94
BulingQAQ
这个作者很懒,什么都没留下…
展开
-
论文阅读:Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks
成对训练数据缺乏。原创 2024-09-11 22:39:35 · 466 阅读 · 0 评论 -
论文阅读:Bone metastasis scintigram generation using generative adversarial learning with multi‐receptiv
MRF-GMRF-G(multi-receptive field generator)——多感受野生成器组成:生成网络和判别网络,生成网络使用定制的生成器——MRF-G。样本:病灶标签xGTx_{GT}xGT,由经验丰富的专家使用开源工具LabelMe获取;二值矩阵xBMx_{BM}xBM,将x中的所有非零元素设为1、所有零元素设为0来创建二值矩阵;3D高斯噪声xGNx_{GN}xGN;xGTx_{GT}xGT和xBM。原创 2024-09-10 18:35:39 · 779 阅读 · 0 评论 -
论文阅读:Image-to-Image Translation with Conditional Adversarial Networks
L1 损失在不确定边缘具体位置时会鼓励模糊,当不确定像素应采用哪个可能的颜色值时,它也会鼓励选择一种平均的、灰色的颜色。即一个像素的状态(如颜色或强度)只依赖于其局部邻域(Patch)中的像素,而不直接依赖于远处的像素。照片→地图任务偏低的原因可能是在地图中,轻微的结构错误由于其严格的几何形状更加明显,而在更加混乱的航拍照片中则不太显眼。将GAN的目标与更传统的损失(如L2距离)结合起来是有益的。cGANs 的一个显著效果是,它们能生成清晰的图像,即使在输入标签图中不存在空间结构时也会进行“幻觉”生成。原创 2024-09-09 17:05:22 · 1307 阅读 · 1 评论 -
论文阅读:深度学习图像数据增广方法研究综述
数据增广作为从数据层面提高机器学习模型性 能的一项重要手段,广泛应用于各个领域,尤其是那 些样本获取成本高、标注难度大的领域。按照增广数据的生成方式划分为四类:单数据变形、多数据混合、学习数据分布和学习增广策略基于学习的方法对于数据增 广同样具有广阔的发展前景,主要在于以下几个方面: 根据数据和任务基于强化学习探索最优的组合策略;基于元学习自适应地学习最优数据变形和混合方式;基于生成对抗网络进一步拟合真实数据分布以采样高质量的未知数据;基于风格迁移探索多模态数据互相转换的应用。原创 2024-09-07 00:02:48 · 1260 阅读 · 0 评论 -
论文阅读:医学图像数据集扩充方法研究进展
没有提出广泛接受的生成图像质量评价标准,多用:峰值信噪比(peak signal to noise ratio, PSNR)、IS、FID等来衡量图像质量2D医学图像无法 完整表达人体器官的结构特性仍致力于研究单模态医学图像生成,未充分利用医学图像的多模态信息GAN生成的图像用于医学图像分析领域可能会带来不可预知的问题对其他领域的优秀模型的吸收和借鉴非常有限带标注医学图像数据难以获取建立广泛接受的定性评价标准医学图像分析对高维度的图像需求也将进一步增加。原创 2024-09-05 22:10:25 · 1161 阅读 · 0 评论 -
论文阅读:Automated diagnosis of bone metastasis based on multi-view bone scans using attention-augmented
由于网络的输入不是单一的图像,而是J图像,因此我们开发了一个J路输入网络。第一部分,采用 深度神经网络NexN_{ex}Nex对输入的J图像进行特征提取,得到FiJNexxiJFiJNexxiJ,这里,xi,j是第i次检查中的第j幅图像,Fi,j表示通过网络Nex提取的xi,j的高级特征。第二部分,使用 特征融合算子NfuN_{fu}NfuSiNfuFi1FijFiJSiNfu。原创 2024-09-03 22:04:28 · 1078 阅读 · 1 评论