McGregorWwww的博客

目录背景方法背景相比采用表格化数据定量分析，可视化是分割任务定性分析的主要手段。在多类别图像分割任务中，往往会涉及两种及以上的颜色，一种常用的方法就是使用RGB色彩填充分割target。最简单的实现方法就是两次for循环遍历图像，逐个像素进行填充，但这种方式耗时较长，采用np.where()等numpy高级函数可以有效加速，缩短程序运行时间。方法以腹部器官数据集Synapse为例，其中包含除去背景一类的8类器官（aorta、gallbladder、liver……），这种情

目录背景方法1、设置随机种子2、消除Python与Numpy的随机性3、消除torch的随机性4、消除DataLoader的随机性背景现有的深度学习框架存在一定的随机性，在复现论文、验证模块有效性，SOTA实验时有很大的干扰，在之前的实验中，我所遇到的因随机性产生的模型准确率的差距可达10%。因此，消除随机性很有必要。方法1、设置随机种子随机种子的设置可以使随机函数在当前种子下产生相同的随机数：SEED=1234SEED可以设置为任意值：0、666、12

一、Robert算子罗伯特梯度法(Robert Gradient), 是一种交叉差分方法。其数学表达式可近似为：G[f(x, y)] ≈|f(i, j)-f(i+1, j+1) |+|f(i+1, j)-f(i, j+1)|################################################# Robert算子#########...

...

转自：https://blog.csdn.net/qq_36269513/article/details/80420363 论文Fully Convolutional Networks for Semantic Segmentation 是图像分割的milestone论文。理清...

在网络结构方面，U-net已经在皮肤癌分割、肺结节分割等方面证明了其强大的优越性。本文解读其论文：U-Net: Convolutional Networks for Biomedical Image Segmentation（论文地址：http://www.arxiv.org/pdf/1505.04597.pdf）并与FCN对比。核心思想U-net基于FCN，对原有网络进行了调...

转自https://blog.csdn.net/JYZhang_CVML/article/details/79519748 医学图像分割领域的最经典的分割网络之一，可能有些读者读完之后会有所抱怨：大部分和FCN网络或者DeepLab V1网络非常类似。但是在针对于文章的目标：脑部损伤分割，传统的图像分割算法效果不佳，然后作者提出...