研究生
文章平均质量分 73
Sha_Ye_Bu_Hui
这个作者很懒,什么都没留下…
展开
-
深度学习下的光流
总是被导师怼 唉一些定义是什么?光流(optical flow)法是运动图像分析的重要方法,它的概念是由 James J. Gibson于20世纪40年代首先提出的,是指时变图像中模式运动速度。因为当物体在运动时,它在图像上对应点的亮度模式也在运动。简单来说,光流只得应该是速度。但是速度是有方向的,所以我们一张256X256(后面相同)的图片采用256X256X2(分别表示水平和竖直方向上的速度)的方式来表示。通常情况下,为了简化我们将其直接作为位移,也就是默认其时间为1(等同于displace原创 2022-05-03 09:46:17 · 1295 阅读 · 0 评论 -
分类使用Pytorch实现Grad-CAM并绘制热力图
import osimport numpy as npimport torchfrom PIL import Imageimport matplotlib.pyplot as pltfrom torchvision import modelsfrom torchvision import transformsimport cv2# from utils import GradCAM, show_cam_on_image, center_crop_img activations原创 2022-04-06 20:17:57 · 9105 阅读 · 6 评论 -
验证计算机视觉中的Attention
注意:使用的Resnet50 作为base没数据局采用的时候数据集采用花分类数据集超参数没做任何的调整只跑了30个epoch 感觉模型还没有问完全达到最优的性能没有使用任何的预训练权重只使用ResnetLoss:Acc:最好是在0.79左右在相同的情况下只加入了SE 方式的注意力Loss:ACC:用的1x1卷积是se网络最大的特点,实验效果好,全链接层都是放到最后。对图片语义损失挺大,中间就经过很多层fc效果一般都不咋地,不绝对。SE的怎么实现感觉区别还是很大原创 2022-03-29 15:46:58 · 3454 阅读 · 1 评论 -
Deep Domain Confusion: Maximizing for Domain Invariance
1. 作者 来源UC Berkeley 与 UMass Lowell, 的Eric Tzeng, Judy Hoffman, Ning Zhang,Kate Saenko,Trevor Darrell2014 年的一篇paper 好像没有说什么期刊会议上的 链接地址2.Motivation在大规模数据集上训练的通用监督深度CNN模型可以减少但不能消除在标准基准测试上的数据集偏差。也就是我们所说的domain adaptation。3.Model其提出的架构如图所示他的思想也是非常自然的一部原创 2021-11-30 20:38:54 · 2301 阅读 · 0 评论 -
UNet++: A Nested U-Net Architecture for Medical Image Segmentation
0.作者来自Arizona State University QS 四十左右很强啊不知道还有没有写的必要人家自己写了 嘤嘤嘤原创 2021-10-08 10:21:25 · 303 阅读 · 0 评论 -
Unsupervised domain adaptation for cross-modality liver segmentation via joint adversarial learning
0.MotivationCT 数据较多 较可信MRI 含有较多的信息因此希望可以将学习到的知识从包含标记CT图像的源域转移到包含未标记Mr图像的目标域,希望实现无监督域自适应(这有什么因果关系吗?)文章是MICCAI2019 作者是来自港中文1.Contribution提出了一个使用对抗学习和自学习的多模态(unpaired CT and MRI)无监督的 肝脏分割模型提出了一种对抗性学习的后原位(post-situ)识别方法,以关注目标域和源域之间的任务相关特征的对齐。( 使用这种技术的原创 2021-09-17 16:04:21 · 555 阅读 · 1 评论 -
CycleGan
0.作者及背景朱俊彦 朱俊彦的机器之心的简要介绍 太强了上述就是Paired 和 Unpaired image 的区别1.主要贡献提到上述的补充知识点就可以知道本文的突出贡献在于不需要配对图片也可以实现风格的迁移感觉对我有一定的参考目的其实本质上可以看出是domain adaptation的一个过程通过gan 生成从 X -》 Y 的Mapping ,但是作者在训练过程中发现很难单独地优化对抗网络的目标:标准程序往往会导致众所周知的模式崩溃问题,即所有的输入图像都映射到相同的输出图像,而优化没原创 2021-09-15 16:36:52 · 166 阅读 · 0 评论 -
DeepTag: An Unsupervised Deep Learning Method for Motion Tracking on Cardiac Tagging Magnetic Resona
0.前提知识介绍tagging images 应该是一种新的成像方式t-MRI的介绍大家有兴趣 的可以自己看,不是我的相关研究方向我选择放弃然后传统成像不能较好的反映心肌的运动 但是t-MRI 可以。其次就是这个东西还目前停留在科研阶段。1.贡献与模型1.通过 bi-directional generative diffeomorphic registration neural network 估计 t-MRI的运动场2.通过上述结果估计拉格朗日运动场但是实话实话 上面的东西我都不懂,下面原创 2021-09-13 12:16:05 · 386 阅读 · 0 评论 -
Multi-level semantic adaptation for few-shot segmentation on cardiac image sequences
0.基础知识点介绍few-shot / one-shot segmentation 小样本学习利用很少的 support set(其中few 代表很少的数据 one 好像是真的是用了一张带有标签的数据进行训练然后在尝试进行分割例如(One-Shot Learning for Semantic Segmentation,相应 k-shot 对应的就是k张图片和)) 进行学习来对query set上的目标结果进行分割。实现方法:其实很自然的就可以想到通过对于一个预训练模型(pre-trained原创 2021-09-12 20:40:35 · 237 阅读 · 0 评论 -
Learning Deconvolution Network for Semantic Segmentation
1.作者浦项科技大学 韩国大学(长见识了) qs812.贡献1.提出了multi-layer deconvolution network(由 deconvolution ,unpooling 和 Relu 组成) 个人认为这就是最主要的贡献点3. 网络结构其实和我之前看的SegNet差不多一些比较明显的区别 没有全连接层 可能减少了下采样的次数来达到减少参数的目的。下面重点介绍我想说的知识点Unpooling这个不跟和SegNet 没有区别的。。。。通常来说反卷积应该是扩大图像的原创 2021-09-01 01:28:14 · 201 阅读 · 0 评论 -
SegNet
1.作者TPAMI 2015收录的文章都是剑桥大学的大佬 Alex Kendall 的个人网页现在伦敦做自动驾驶 Vijay Badrinarayanan 这应该还在剑桥做科研 最后一个剑桥教授 反正也不认识。。。ps: 补充知识点pixel-wise字面上的理解一样,一张图片是由一个个pixel组成的,这个是图像的基本单位,像素级别的image-wise图像级别,比如一张图片的标签是狗,是对整个图片的标注patch-wise介于像素级别和图像级别的区域,也就是块,每个patch都是由好多原创 2021-08-27 17:19:05 · 101 阅读 · 0 评论 -
Autoencoder based self-supervised test-time adaptation for medical image analysis
1.作者主要是 约翰霍普金斯大学和美国国家老龄问题研究所,国家卫生研究所合作完成的发表与MIA2.创新与目的目的:是为了在domain adaption 上实现创新创新:提出了Task model(T 分割模型) ,a set of autoencoder (AEs 相似度测量),a set of Adaptors(As transform test image and features to be similar to the source.)T 和AEs 就是在 source domain原创 2021-08-09 11:32:23 · 521 阅读 · 0 评论 -
Dice系数
1.背景Dice 系数是常用的分割的评价标准之一 后面还会介绍其他的评价标准。而且我发现大家的东西都是互相抄来抄去没有意思2.Dice系数原理及定义公式1假设 X 是 Output【也就是我们输出结果】 维度为(3,3)Y 为lable【标签】 维度为(3,3)单一分类首先我们需要明白Dice系数使用判断两个图片(这里我就指的是X Y)的相似度的,但是在我们的分割任务当中我们通常将0 代表背景1 代表预测分割现在我们假设a=[ [1,0,1],[0,0,0],[0,1原创 2021-07-24 16:21:13 · 4035 阅读 · 0 评论 -
Domain Adaptation
本文都是李宏毅老师课堂上的总结背景和意义:通常在实际生活中我们的训练集和测试集有很大的差异,例如下图左边为你的训练集,而真正让你进行检测和预测的确是右边的图片。1. Domain Adaptaion 与 transformer learing的区别Domain Adaptation 是 transformer learing 的一个子部分如上图所示就是只有source domain 有label ,在不同的domain 中预测相同的任务2.什么是domain?按照数据分类(例如:我们原创 2021-07-12 22:46:02 · 472 阅读 · 0 评论 -
CF Distance: A New Domain Discrepancy Metric and Application to Explicit Domain Adaptation for Cross
1.作者介绍复旦大学大数据学院庄吓海老师团队 主要研究多模态医学影像分析庄老师在MICS上的报告 zxh@fudan.edu.cn吴富平 也是复旦大学老师 但是没有相关的百度搜索结果两位老师的主要方向应该是心脏图片的多模态配准和分割2.主要贡献本篇paper主要讲的是 CF Distance 主要是心脏方面的多模态迁移学习,...原创 2021-06-28 11:14:21 · 439 阅读 · 0 评论 -
Understanding the difficulty of training deep feedforward neural networks
1.作者Xavier Glorot Yoshua Bengio这就是非常出名的Xavier初始化的作者原创 2021-06-17 10:16:28 · 1293 阅读 · 1 评论 -
I2-GAN
1.作者生物医学中的计算成像和模拟技术中心 利兹大学利兹心血管和代谢医学研究所 Yan Xia原创 2021-06-14 22:02:30 · 329 阅读 · 0 评论 -
Quantitative CMR Population Imaging on 20,000 Subjects of the UK Biobank Imaging Study: LV/RV
1.作者主要是由利兹大学生物医学中的计算成像和模拟技术中心2.主要贡献这是第一次发表的尝试,旨在完全自动从左右心室中提取所有关键功能心血管指数的全球和区域参考范围主要分为(1) pre-processing; (2) quality analysis; (3) segmentation (4) quantifification 四个部分一种具有嵌入式质量控制的全自动三维图像分析工作流(说人话的话,我的理解就是实现了一个闭环系统,可以实现自动的心室分割和血管参数计算,流程如下图所示).原创 2021-06-13 10:21:45 · 148 阅读 · 0 评论 -
心脏有关知识点
1.LV/RV : Left Ventricle / Right Ventricle 左心室/右心室心脏内部下面的两个空腔叫做心室,左边的叫做左心室,右边的叫做右心室。心室的壁厚,肌肉发达。其中左心室的壁比右心室更厚,肌肉更发达。由于LV在整个心脏运动周期中形状相对固定,所以大部分分割的工作都在LV上进行2.magnetic resonance (MR) images 核磁共振图像3....原创 2021-05-24 15:29:12 · 2473 阅读 · 0 评论