- 博客(40)
- 资源 (25)
- 收藏
- 关注
RSS订阅原创 Attention U-Net简介及其在Keras
1.什么是注意力（Attention）?在图像分割中，注意力是一种只突出训练中相关激活的方法。这减少了浪费在无关激活上的计算资源，为网络提供了更好的泛化能力。本质上，网络可以“关注”图像的某些部分。a)Hard AttentionAttention有两种形式，Hard和soft。Hard attention的工作原理是通过裁剪图像或迭代区域建议来突出显示相关区域。由于Hard attention一次只能选择一个图像的一个区域，它是不可微的，需要强化学习来训练。由于它是不可微分的，这意味着对于
2021-05-29 18:28:17
1056
原创 tf.keras实现ViPTT-Net---基于LSTM的医疗多序列图像分类
ViPTT-Net is a method that pretrains a hybrid CNN-RNN based model on realistic videos for human activity recognition task. It is then fine-tuned on a dataset of chest CT scans for the task of tuberculosis type classification.ViPTT-Net achieved 2nd place
2021-05-29 10:30:47
612
3
转载 DL概念
导语卷积神经网络架构设计，又指backbone设计，主要是根据具体任务的数据集特点以及相关的评价指标来确定一个网络结构的输入图像分辨率，深度，每一层宽度，拓扑结构等细节。公开发表的论文大多都是基于ImageNet这种大型的公开数据集来进行的通用结构设计，早期只以其分类精度来证明设计的优劣，后来也慢慢开始对比参数量(Params)和计算量(FLOPs)，由于ImageNet的数据量十分巨大且丰富，所以通常在该数据集上获得很好精度的网络结构泛化到其他任务性能也都不会差。但在很多特定任务中，这种通用的结构虽然
2021-05-28 15:08:25
1080
原创 LSTM Multi-modal UNet for Brain Tumor Segmentation
https://www.pianshen.com/article/30372028034/
2021-05-26 17:32:31
414
原创 uent3d模型调研二
结构图模型keras codeimport kerasfrom keras import backend as Kfrom keras.models import Modelfrom keras.layers import Input, Concatenate, BatchNormalization, Activation, Conv3D, UpSampling3D, MaxPooling3Dfrom keras.optimizers import Adamclass unet_
2021-05-26 13:26:46
291
原创 keras实现MSCNN人群密度估计
环境如下Python 3.6 Keras 2.2.2 Tensorflow-gpu 1.8.0 OpenCV 3.4MSCNN and MSB architecturesMSCNNMSBExperimentdataMall Dataset crowd counting datasetGenerate density_map from data:trainrun the follow command:python train.py...
2021-05-25 14:10:59
330
原创 keras基于GAN的去雾
https://github.com/raven-dehaze-work/MSCNN_Kerashttps://github.com/raven-dehaze-work/DeBlurGanToDehaze先留个坑
2021-05-19 16:35:03
1012
原创 数据结构面试
作者：土豆不是马铃薯https://www.zhihu.com/question/24964987/answer/1375545512017年校招，总共面试10家互联网公司，总结一下大概遇到的算法题。1.数组中逆序对计算。(剑指offer)2.判读一个树是不是另一个树的子树(剑指offer)3.数据流要求o(1)求得中位数，o(lgn)插入（剑指offer）4.顺时针打印矩阵（剑指offer）5.复杂链表复制（剑指offer）6.二叉排序树中第k小的数（剑指offer）7.反
2021-05-19 09:45:29
163
转载 骚气的进度条
如果你之前没用过进度条，八成是觉得它会增加不必要的复杂性或者很难维护，其实不然。要加一个进度条其实只需要几行代码。在这几行代码中，我们可以看看如何在命令行脚本以及 PySimpleGUI UI 中添加进度条。下文将介绍 4 个常用的 Python 进度条库：Progress第一个要介绍的 Python 库是 Progress。你只需要定义迭代的次数、进度条类型并在每次迭代时告知进度条。importtimefromprogress.barimportIncreme...
2021-05-14 11:17:12
163
转载 L0 L1 L2 正则化
L0 L1 L2 正则化Jun 29 2018范数∥x∥p:=(∑i=1n|xi|p)1p‖x‖p:=(∑i=1n|xi|p)1pL1范数：当p=1时，表示某个向量中所有元素绝对值之和L1范数：当p=1时，表示某个向量中所有元素绝对值之和 L2范数：当p=2时，表示某个向量中所有元素平方和再开根，也就是欧几里得距离公式L2范数：当p=2时，表示某个向量中所有元素平方和再开根，也就是欧几里得距离公式对于线性回归模型，使用 L1 正则化的模型建叫做Lasso ...
2021-05-13 17:58:35
206
转载 感知损失介绍
1 概述文章：Perceptual Losses for Real-Time Style-Transfer and Super-Resolution作者： Justin Johnson, Alexandre Alahi, Li Fei-Fei相较于其他机器学习任务，如物体检测（object detection）或者实例分割（instance segmentation），超分辨重建技术中学习任务的损失函数的定义通常都相对简单粗暴，由于我们重建的目的是为了使得重建的高分辨率图片与真实高清图片之间的
2021-05-13 17:23:14
2352
转载 CVPR 2019 | 神奇的超分辨率算法DPSR：应对图像模糊降质 附代码
在我们的印象中，往往超分辨率后的图像会看起来轻微模糊，但该算法能够将模糊的低分辨率图像放大，而且更清晰。DPSR算法来自论文《Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels》：作者分别来自哈工大、香港理工大学、深圳鹏城实验室、阿里达摩院。从论文标题看，它可以应对任意模糊核的图像模糊降质。以往，超分辨率研究中，往往使用双三次插值作为低分辨率图像获取的方式，但现实世界低分辨率图像不仅有...
2021-05-13 09:45:49
1613
转载 渣画质的救赎：基于GAN的超分辨率方案
本次给大家介绍2篇文章——SRGAN[3]和ESRGAN[5]，基于生成对抗网络的超分辨率方案。先回顾一下以往的方法：1. 图像放大与基于CNN的超分方案所有使用电脑的人都会用到图片放大的操作，而把图片放大超过其分辨率后，图片就会模糊。传统放大图片都是采用插值的方法，最常用的有最近邻插值（Nearest-neighbor）、双线性插值（Bilinear）、双立方插值（bicubic）等，这些方法的速度非常快，因此被广泛采用。基于卷积神经网络/深度学习超分方案的开山之作叫做SRCNN(Supe
2021-05-13 09:40:50
3461
转载 八个数据标注文件操作的奇技淫巧
一：polygon2bbox二：maskImg2json三.保存四边形矩形框bbox标注信息四.保存不规则边框polygon标注信息五：将labelImg标注的xml BBox文件转成json文件六：voc中txt格式的，也转为json格式七：labelme标注的json文件，打印到原图image上八：labelme的json数据转换成coco数据读取所需的json文件前言：在做视觉图像处理中，尤其是AI领域，会经常与标注数据打交道。其中常用的标注软件也就是labelImg
2021-05-13 09:32:50
1945
1
转载 用超分辨率扛把子算法 ESRGAN，训练tf2图像增强模型
将图像或影片从低分辨率转化为高分辨率，恢复或补足丢失的细节（即高频信息），往往需要用到超分辨率技术。根据所用低分辨率图像的数量，超分辨率技术可分为单幅图像的超分辨率 (SISR) 和多幅图像的超分辨率 (MISR)。网友用 AI 技术给视频上色、插帧恢复了 1920 年北京市民生活记录影像SISR 利用一张低分辨率图像，达到图像尺寸增大或像素的增加的效果，从而获得一张高分辨率图像。MISR 则是借助同一场景中的多张低分辨率图像，获取不同细节信息，合成一张或多张高分辨率图像。MISR.
2021-05-13 09:18:41
841
转载 keras的CNN的一些可视化方法
作者丨yishun@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/53683453极市导读对神经网络进行可视化分析不管是在学习上还是实际应用上都有很重要的意义，基于此，本文介绍了3种CNN的可视化方法：可视化中间特征图，可视化卷积核，可视化图像中类激活的热力图。每种方法均附有相关代码详解。>>加入极市CV技术交流群，走在计算机视觉的最前沿注：本文所有资料均来自Keras之父、Google人工智能研究员Francois Chollet的大作：《Pyt
2021-05-12 15:45:52
520
转载 keras采用LSTM生成尼采风格文章
LSTM生成文本github地址使用循环神经网络生成序列文本数据。循环神经网络可以用来生成音乐、图像作品、语音、对话系统对话等等。如何生成序列数据？深度学习中最常见的方法是训练一个网络模型(RNN或者CNN)通过之前的tokens预测下一个或者之后的几个token序列。通常在处理文本数据时，tokens通常是单词或字符，任何可以对给定前一个tokens时对下一个令牌的概率进行建模的网络模型称为语言模型。语言模型能捕捉语言的潜在空间特性：其统计结构特征。一旦你有了这样一个训练有素的语言模型，
2021-05-12 14:05:37
283
转载 Keras 高阶API
Keras API目前为止，介绍的神经网络模型都是通过Sequential模型来实现的。Sequential模型假设神经网络模型只有一个输入一个输出，而且模型的网络层是线性堆叠在一起的。这是一个经过验证的假设;配置非常普遍，到目前为止已经能够使用Sequential模型类覆盖许多任务和实际应用程序。但在许多情况下，这套假设过于僵化。一些网络模型需要几个独立的输入，其他需要多个输出，并且一些网络在层之间具有内部分支，使得它们看起来像层的图形而不是线性堆叠层。例如，某些任务需要多模式输入：它们合并来自
2021-05-12 14:03:30
301
转载 keras变分自动编码器生成图片
从隐图像空间进行采样以创建全新的图像或编辑现有图像是目前创作AI最受欢迎和最成功的应用方式。图像隐空间取样图像生成的关键思想是开发表示的低维潜在空间（自然是矢量空间），其中任何点都可以映射到逼真的图像上。能够实现该映射的模块，将潜在点作为输入并输出图像（像素网格），被称为生成器（在GAN的情况下）或解码器（在VAE的情况下）。一旦开发出这样的潜在空间，可以有意或无意地从中采样点，并通过将它们映射到图像空间，生成以前从未见过的图像。GAN和VAE是用于学习图像表示的潜在空间的两种不同策略，每.
2021-05-12 14:00:04
717
转载 keras使用VGG19网络模型实现风格迁移
风格迁移算法经历多次定义和更新，现在应用在许多智能手机APP上。风格迁移在保留目标图片内容的基础上，将图片风格引用在目标图片上。风格本质上是指在各种空间尺度上图像中的纹理，颜色和视觉图案;内容是图像的高级宏观结构。实现风格迁移背后的关键概念与所有深度学习算法的核心相同：定义了一个损失函数来指定想要实现的目标，并最大限度地减少这种损失。知道自己想要实现的目标：在采用参考图像的样式的同时保留原始图像的内容。如果我们能够在数学上定义内容和样式，那么最小化的适当损失函数将是以下内容:loss = distan
2021-05-12 13:58:13
2345
1
转载 真正的即插即用！盘点11种CNN网络设计中精巧通用的“小”插件
导读所谓“插件”，就是要能锦上添花，又容易植入、落地，它属于trick，是用来提高模型上限的。本文将盘点11种常见的“插件”，它们能够提升CNN平移、旋转、scale等变性能力或多尺度特征提取，感受野等能力，在很多SOTA网络中都有它们的影子。01前言本文盘点一些CNN网络中设计比较精巧而又实用的“插件”。所谓“插件”，就是不改变网络主体结构， 可以很容易嵌入到主流网络当中，提高网络提取特征的能力，能够做到plug-and-play。网络也有很多类似盘点工作，都宣称所谓的即插即用、无痛涨点.
2021-05-11 09:37:48
615
转载 22 张图全解深度学习
吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图，这套信息图优美地记录了深度学习课程的知识与亮点。因此它不仅仅适合初学者了解深度学习，还适合机器学习从业者和研究者复习基本概念。这不仅仅是一份课程笔记，同时还是一套信息图与备忘录。深度学习基础1. 深度学习基本概念监督学习：所有输入数据都有确定的对应输出数据，在各种网络架构中，输入数据和输出数据的节点层都位于网络的两端，训练过程就是不断地调整它们之间的网络连接权重。左上...
2021-05-10 16:38:21
2271
转载 值得思考的问题，什么？Epoch 不仅过时，而且有害？
有一天，一个调参侠在训练一个深度学习模型，要用到的两个数据集损失函数不同，数据集的大小还不是固定的，每天都在增加。他有点发愁，这该怎么设置Epoch数呢？在纠结的过程中，他突然想到：干嘛非得定一个Epoch数？只要对每个Batch进行独立同分布抽样(IID Sampling)不就得了。为了验证这个想法，调参侠去看了很多论文。发现越来越多的人介绍他们的训练方法时，只说进行了多少个Iteration，而抛弃了Epoch。他想到，Epoch暗示并强调了数据集是有限的，这不仅麻烦，还有潜在的“.
2021-05-10 15:02:21
296
原创 matplotlib可视化使用
import matplotlib.pyplot as plot# fig = plot.figure(figsize=(10,10),facecolor="blue")fig = plot.figure()ax1 = fig.add_subplot(111)# ax1.plot(history.history['accuracy'])# ax1.plot(history.history['val_accuracy'])ax1.set_title('Model Accuracy'...
2021-05-10 11:19:12
218
转载 pytorch的4种学习率衰减策略
作者丨机器学习入坑者@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/93624972编辑丨极市平台极市导读本文介绍了四种衰减类型：指数衰减、固定步长的衰减、多步长衰、余弦退火衰减并逐一介绍其性质，及pytorch对应的使用方式。>>本周六（5月8日）早上8:50，广东省CVPR 2021论文预交流在线学术报告，点击获取直播链接梯度下降算法需要我们指定一个学习率作为权重更新步幅的控制因子，常用的学习率有0.01、0.001以及0.0001..
2021-05-08 10:10:31
4651
转载 部署方案之模型部署概述
模型训练重点关注的是如何通过训练策略来得到一个性能更好的模型，其过程似乎包含着各种“玄学”，被戏称为“炼丹”。整个流程包含从训练样本的获取（包括数据采集与标注），模型结构的确定，损失函数和评价指标的确定，到模型参数的训练，这部分更多是业务方去承接相关工作。一旦“炼丹”完成（即训练得到了一个指标不错的模型），如何将这颗“丹药”赋能到实际业务中，充分发挥其能力，这就是部署方需要承接的工作。因此，一般来说，学术界负责各种 SOTA(State of the Art) 模型的训练和结构探索，而工业界负责将这些
2021-05-08 10:00:12
8562
转载 盘点热门的目标检测开源方案(附论文+代码下载）
在2020年中，目标检测领域出现了许多优秀的工作，今天我们来聊一聊在当前热门的五大目标检测开源方案。1、五大改进，二十多项技巧实验，堪称最强目标检测万花筒：YOLOv4&YOLOv5论文：YOLOv4: Optimal Speed and Accuracy of Object DetectionCOCO AP：55.4论文地址：https://arxiv.org/pdf/2004.10934.pdf代码地址：https://github.com/AlexeyAB/darkn.
2021-05-06 14:42:33
1511
转载 三大视觉任务的loss
机器学习算法的设计使其可以从错误中“学习”并使用我们提供给他们的训练数据来“更新”自己。但是他们如何量化这些错误呢？这是通过使用“损失函数”来完成的，该函数可以帮助算法了解与基本事实相比，其预测的错误程度。选择合适的损失函数很重要，因为它会影响算法尽快生成最佳结果的能力。01基本的损失函数:1.1 L2 LOSS 这是可用的最基本的损失，也称为MSE Loss。这依赖于两个向量[预测和真实标签]之间的Euclidean距离。 L2 Loss 对异常值非常敏感，...
2021-05-06 14:38:54
3454
2
翻译 使用PyTorch来进展训练过程
一个非常简单和容易上手的例子。对于教程中使用的大多数人工数据集，每个类都有相同数量的数据。然而，在实际应用中，这种情况很少发生。今天，我将给你介绍来自Kaggle的木薯叶分类，并告诉你当类频率有很大差异时该怎么做。处理类别的不平衡有两种方法可以解决这个问题。 WeightedRandomSampler loss函数中的weight参数 下一步是创建一个有5个方法的CassavaClassifier类：load_data()、load_model()、fit_one_.
2021-05-06 14:29:31
1389
1
转载 这才是魔改交叉熵的正确姿势！
在之前的这篇文章中，我们介绍了PyTorch中的交叉熵损失函数的具体使用方法（传送门），并举了大量的栗子进行解释。在此基础上，就可以尝试对交叉熵进行魔改啦~CrossEntropyLoss到底做了什么？吃瓜群众：那说一下魔改的具体内容呗...别着急，在开始魔改之前，需要花些篇幅介绍下在PyTorch中的CrossEntropyLoss内部所做的事情。这是官方给出的关于CrossEntropyLoss的维度说明。简而言之，分为两种情况： 网络的输出shape为[N,C]，对应的真
2021-05-06 14:25:22
348
转载 动图形象理解深度学习卷积
二维卷积：操作二维卷积是一个相当简单的操作：从卷积核开始，这是一个小的权值矩阵。这个卷积核在 2 维输入数据上「滑动」，对当前输入的部分元素进行矩阵乘法，然后将结果汇为单个输出像素。一个标准的卷积卷积核重复这个过程知道遍历了整张图片，将一个二维矩阵转换为另一个二维矩阵。输出特征实质上是在输入数据相同位置上的加权和(权值是卷积核本身的值)。输入数据是否落入这个「大致相似区域」，直接决定了数据经过卷积核后的输出。这意味着卷积核的尺寸直接决定了生成新的特征时汇合了多少(...
2021-05-06 14:17:59
1263
转载 详解 Faster R-CNN目标检测的实现过程
背景Faster R-CNN 最早在 2015 年的 NIPS 发布。其在发布后经历了几次修改，这在之后博文中会有讨论。Faster-RCNN 是 RCNN 系列论文的第三次迭代，这一系列论文的一作和联合作者是 Ross Girshick。这一切始于 2014 年的一篇论文「Rich feature hierarchies for accurate object detection and semantic segmentation」(R-CNN)，其使用了称为 Selective Search.
2021-05-06 14:12:49
1072
转载 目标检测｜SSD原理与实现
目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需
2021-05-06 14:06:12
176
转载 神经网络量化原理
量化是将数值 x 映射到 y 的过程，其中 x 的定义域是一个大集合(通常是连续的)，而 y 的定义域是一个小集合（通常是可数的）。8-bit 低精度推理，是将一个原本 FP32 的浮点张量转化成一个 int8/uint8 张量来处理。先看一下浮点数和 8-bit 整数的完整表示范围。模型量化会带来如下两方面的好处： 减少内存带宽和存储空间 深度学习模型主要是记录每个 layer（比如卷积层/全连接层） 的 weights 和 bias, FP32 模型中，每个 weight /bias
2021-05-06 13:57:37
3510
1
转载 RetinaNet 论文和代码详解
1.前言RetinaNet是继SSD和YOLO V2公布后，YOLO V3诞生前的一款目标检测模型，出自何恺明大神的《Focal Loss for Dense Object Detection》。全文针对现有单阶段法(one-stage)目标检测模型中前景(positive)和背景(negatives)类别的不平衡问题，提出了一种叫做Focal Loss的损失函数，用来降低大量easy negatives在标准交叉熵中所占权重（提高hard negatives所占权重)。为了检测提出的Focal Los
2021-05-06 13:48:34
1082
转载 复现Dense Extreme Inception Network（pytorch）
github地址：https://github.com/xavysp/DexiNed/tree/master/DexiNed-Pytorch论文地址：https://arxiv.org/abs/1909.01955数据集：https://www.kaggle.com/xavysp/biped文章目录摘要模型结构论文实验结果相关代码摘要这篇paper是基于深度学习的边缘检测算法，受到HED(Holistically-Nested Edge Detection)和Xception 网络的
2021-05-06 12:01:02
908
原创 OpenCV中的并行计算parallel_for_（1）
OpenCV中的parallel_for_为用户提供了快速并行化代码的途径。先来看一个用parallel_for_并行化矩阵相乘的简单例子。这个例子是对输入为128x128x32进行核为3x3x64的卷积操作。直接计算的代码如下：voidconv3x3(constMat&inp,constMat&weights,Mat&out){intout_cn=weights.size[0];intinp_cn=weights.siz...
2021-05-05 18:45:30
964
2
转载 实操教程｜怎样制作目标检测的训练样本图像
像元值应该如何进行归一化？ 样本图像的尺寸仅与内存、显存大小有关吗？ 网络能检测的目标框范围只与图像大小有关吗？ 卷积网络真的具有平移和旋转不变性？ 制作目标检测训练样本的最佳方案是什么？ 以下为原文：像元值应该如何进行归一化？不能想当然地认为像元值的取值范围就是0到255，虽然普通数码相机拍摄出来的图像各个通道的取值范围确实是0-255。要知道这个0-255的取值是从更大取值范围处理得来的。在局部强烈光照下或者均匀光照下，还是弱光环境或者强光环境，人..
2021-05-04 23:29:23
761
原创 win10的conda环境安装labelimg
pip install PyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple/（后面这行是国内的清华镜像源，下载速度才会比较快）pip install pyqt5-tools -i https://pypi.tuna.tsinghua.edu.cn/simple/pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple/pip install labelImg -i https://pypi.
2021-05-01 19:50:35
389
1
CAMUS 心脏分割超声图像数据集，含500名患者的超声数据
2021-01-02
openvino_insightface_fp32人脸识别模型
2020-11-22
openvino_insightface_fp32人脸识别模型
2020-11-22
zbar_win64.zip
2020-04-16
LUNA16数据集.doc
2020-03-07
Hessian矩阵以及在血管增强中的应用—OpenCV3和c++版本代码工程
2020-03-02
LITS2017肝脏肿瘤分割挑战数据集下载地址百度云.txt
2019-12-20
gflags.zip
2019-12-19
opencv_hand.rar
2019-09-26
LITS2017肝脏肿瘤分割挑战数据集.txt
2019-08-27
多模态脑肿瘤分割挑战2018.txt
2019-08-27
Promise2012_前列腺MR图像.txt
2019-08-27
Tesseract 4.0 for VS2015及OpenCV数字识别示例程序
2018-11-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人