图像分割
文章平均质量分 91
ultra_zhl
这个作者很懒,什么都没留下…
展开
-
论文笔记 BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation
论文笔记 BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation 论文地址 1. 介绍 目前实时语义分割主要有三种方法可以加速模型,如图(a)所示 限制输入的大小,通过裁剪或者调整大小来降低计算复杂性,尽管该方法简单有效,但是空间细节的丢失破坏了预测,尤其是边界附近的预测,导致度量和可视化的准确性均下降。 有些工作没有调整输入图像的大小,而是修剪网络通道以提高推理速度[1、8、25],尤其是在基本模型的早期阶段原创 2021-01-31 21:52:50 · 223 阅读 · 0 评论 -
图像分割网络之UNet
Unet网络理解1.本文主要内容1.1 网路结构1.2 Overlap-tile strategy1.3 数据增强1.4 加权损失2. 本文方法特点3.使用到实际过程时的问题参考资料 UNet首次在2015年MICCAI上发表,在医疗影像上分割取得了很好的效果。 医疗影像有如下特点: 图像语义较为简单、结构较为固定。医疗影像都是一个固定的器官成像,由于器官本身结构固定和语义信息没有特别丰富,所以高级语义信息和低级特征都显得很重要。 数据量少,单幅图像分辨率高。经常只能获得一百多例的数据,因此要避免模型复杂原创 2020-07-12 22:10:10 · 2400 阅读 · 0 评论