深度学习
风雪夜归人o
晚来天欲雪,能饮一杯无?
展开
-
FCN全卷积网络的理解
CNN与FCN的区别 CNN一般会在网络的最后设置一些全连接层,将卷积层得到的特征图映射成一个固定长度的特征向量,再通过Softmax等激活函数得到输入图像属于某一类的概率。它适用于图像级的分类和回归任务,确定整幅图像属于哪一类别。 而FCN则将这些全连接层全部替换成卷积层,其网络全部由卷积层组成,相当于对图像进行像素级分类,从而解决了定义在语义级别上的图像分割问题。FCN的特点 和CNN一样,随着卷积层和池化层的不断作用,输出特征图的尺寸会越来越小,FCN采用反卷积层(转置卷积)对最后一个卷原创 2020-05-13 19:57:18 · 496 阅读 · 0 评论 -
ResNet与DenseNet
ResNet可参考来聊聊ResNet及其变种【1】ResNet的一个重要设计原则是:当feature map大小降低一半时,feature map的数量增加一倍,这保持了网络层的复杂度。【2】Resnet的核心思想就是更改了网络结构的学习目的,原本学习的是直接通过卷积得到的图像特征H(X),现在学习的是图像与特征的残差H(X)-X,这样更改的原因是因为学习残差相比原始特征的直接学习更加容易。 上图说明了ResNet残差块与普通CNN的区别,图的左侧为普通的两层CNN,右侧为ResNet的残差块,原创 2020-05-12 20:50:39 · 985 阅读 · 0 评论 -
Generation of 3D Brain MRI Using Auto-Encoding Generative Adversarial Networks论文解读
Generation of 3D Brain MRI Using Auto-Encoding Generative Adversarial Networks摘要介绍方法模型结构损失函数训练流程 本文出自MICCAI2019。摘要 随着深度学习在医学图像分析任务中显示出前所未有的成功,缺乏足够的医学数据正成为一个关键问题。近年来,利用生成对抗网络(GAN)解决有限数据问题的尝试在生成具有多...原创 2019-12-25 19:53:10 · 1041 阅读 · 0 评论 -
GAN在医学图像综述——Generative adversarial network in medical imaging: A review
Generative adversarial network in medical imaging: A review介绍医学图像的应用重建医学图像合成无条件图像合成跨模态图像合成其他有条件合成工作医学图像公开数据集医学图像定量评估指标未来工作与展望 这篇文章发表于顶刊Medical Imaging Analysis 2019上,文章细数了GAN应用于医学图像的七大领域——重建(图像去噪)、合...原创 2019-12-19 18:10:11 · 6504 阅读 · 4 评论 -
Image Synthesis in Multi-Contrast MRI With Conditional Generative Adversarial Networks—论文解读
Image Synthesis in Multi-Contrast MRI With Conditional Generative Adversarial Networks文章概述及亮点摘要介绍方法文章概述及亮点【1】multi-contrast如何理解【2】registered multi-contrast images和unregistered images如何理解,理解成配准的图像和未...原创 2019-12-12 20:41:54 · 1932 阅读 · 0 评论 -
深度学习网络设计原则
深度学习网络设计原则输出特征图的大小逐渐减小在网络较深层应该利用更多的feature map 翻译及理解自论文Rethinking the Inception Architecture for Computer Vision。以下原则是经验原则,即不一定适用于所有情况,需要根据具体场景再自行决定。输出特征图的大小逐渐减小 避免表达瓶颈,特别是在网络前面的层中。前馈网络可以用从输入层到分类...原创 2019-12-11 16:36:50 · 1160 阅读 · 0 评论 -
Python小tips和学习整理
Python小tips和学习整理在类中单下划线_或双下划线开头的函数和变量的意义getattr()函数和与之相关的函数hasattr(object, name)getattr(object, name, default)setattr(object, name, default)delattr(object,'name')在类中单下划线_或双下划线开头的函数和变量的意义 Python在类中的...原创 2019-12-09 17:03:00 · 408 阅读 · 0 评论 -
MRI to FDG-PET: Cross-Modal Synthesis Using 3D U-Net for Multi-modal Alzheimer’s Classification论文解读
MRI to FDG-PET: Cross-Modal Synthesis Using 3D U-Net for Multi-modal Alzheimer’s Classification摘要方法数据集预处理网络结构实验分类实验 这篇文章发表于2018年的International Workshop on Simulation and Synthesis in Medical Imaging...原创 2019-12-05 19:21:13 · 747 阅读 · 2 评论 -
H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation from CT Volumes
H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation from CT Volumes论文亮点摘要介绍方法用于切片间特征提取的深度2D DenseUNet用于混合特征探索的H-DenseUNet损失函数、训练过程与测试过程实验与结果 这篇论文发表于2018年的IEEE Transactions on...原创 2019-12-05 14:42:26 · 1614 阅读 · 0 评论 -
PyTorch内部机制的理解
PyTorch内部机制的理解反向传播与参数更新的理解计算图的概念网络中间变量的梯度detach()的理解requires_grad和volatile的理解反向传播与参数更新的理解 首先,反向传播或许被称为“反向求导”更加合适,因为它只是个求导的过程,即计算中间参数的梯度。在PyTorch中,通过loss.backward()进行反向求导,关于loss.backward()有两点需要注意:【1...原创 2019-11-21 10:14:07 · 1261 阅读 · 0 评论 -
Few-Shot Unsupervised Image-to-Image Translation——ICCV2019论文解读
无监督的图像到图像翻译指的就是非配对的图像到图像的翻译。尽管它取得了一些成就,但是现在的方法需要在训练的时候用源域和目标域的图像一同训练,在这篇文章中,作者提出了一种基于小样本的无监督图像到图像翻译模型,并且关键的是,在模型的训练中,没有添加目标域的图像进行训练。 作者的框架基于GAN,称之为FUNIT模型。并且证明了小样本学习能力,另外,作者还将提出的模型用于小样本分类任务。通过在我们的...原创 2019-11-26 22:58:56 · 511 阅读 · 0 评论 -
统计深度学习与最优传输理论,传统方法vs深度学习,符号主义与联结主义
统计深度学习与最优传输理论,传统方法vs深度学习,符号主义与联结主义统计深度学习与最优传输理论传统计算机视觉方法与基于统计的深度学习方法符号主义与联结主义 本文多处摘引自当深度学习遇到3D,并记录一些自己的理解。统计深度学习与最优传输理论 统计深度学习的理论框架可以用范畴语言来描述,范畴包括 流形上的概率分布和流形间的变换。数据集是流形上的概率分布,深度神经网络表达流形间的变换。生成模型...原创 2019-11-26 10:41:23 · 2425 阅读 · 0 评论 -
卷积神经网络的特征图可视化秘籍——PyTorch实现
卷积神经网络的特征图可视化秘籍——PyTorch实现可视化的定义及步骤PyTorch实现以预训练好的VGG16为例进行可视化关键代码剖析如果是自行搭建的网络,如何索引网络层?继续使用序号索引不使用序号,直接索引模型内部网络层的属性可视化的定义及步骤 这里所说的可视化是指对卷积神经网络中间层的输出特征图进行可视化,比如将网络第八层的输出特征图保存为图像显示出来。那么,我们实际上要做的事情非常简...原创 2019-11-19 16:03:59 · 11671 阅读 · 6 评论 -
图像复原的损失函数总结——Loss Functions for Image Restoration with Neural Networks论文阅读
Loss Functions for Image Restoration with Neural Networks摘要损失函数L1 LossSSIM LossMS-SSIM Loss最好的选择:MS-SSIM + L1 Loss结果讨论损失函数的收敛性SSIM和MS-SSIM的表现该论文发表于 IEEE Transactions on Computational Imaging 2016,点击论...原创 2019-11-13 20:49:08 · 19503 阅读 · 11 评论 -
图像生成领域的GAN论文解读
图像生成领域的GANQuality Aware Generative Adversarial Networks(QAGAN),NeurIPS 2019Quality Aware Generative Adversarial Networks(QAGAN),NeurIPS 2019 尽管已有许多的方法试图提升GAN生成结果的视觉质量,然而,尚未有应用图像质量指标作为GAN的损失函数或是权重正则...原创 2019-11-12 19:30:11 · 2600 阅读 · 0 评论 -
CollaGAN: Collaborative GAN for Missing Image Data Imputation——CVPR2019论文详解
CollaGAN: Collaborative GAN for Missing Image Data Imputation摘要介绍相关工作生成对抗网络GAN图像到图像的翻译理论使用多种输入多种循环一致性损失摘要 在许多需要多种输入来得到一个期望输出的应用中,如果有一种输入数据缺失,通常会引入很大的偏差。尽管许多技术已经被用于插补缺失数据,图像插补仍然非常困难,由于自然图像的复杂属性。为了解决...原创 2019-11-11 16:17:29 · 1383 阅读 · 0 评论 -
SinGAN: Learning a Generative Model from a Single Natural Image——ICCV2019最佳论文详解
SinGAN:Learning a Generative Model from a Single Natural Image论文亮点研究背景研究方法与意义方法细节多尺度结构训练对抗损失重建损失实验与结果应用场景超分辨率剪切画到图像的翻译目标融合图像编辑论文亮点其训练样本是单张自然图像,而不是一个训练图像集。研究背景 生成对抗网络已经在建模视觉数据的高维分布上取得了引人注目的进展。特别...原创 2019-11-06 22:54:42 · 1189 阅读 · 1 评论 -
Overlapping patches理解——深度学习基本概念
Overlapping patches从中文角度直译成“部分重叠的图像块”,Patch的概念就好比对于一张100 x 100大小的图像来说,其中一个30 x 30的局部就能称为图像的一个Patch。所谓的Overlapping(部分重叠)可以用下图来解释: 即两个Patch之间重叠的部分构成的一个新的Patch,就称之为“Overlapping Patches”。...原创 2019-11-06 11:29:51 · 5341 阅读 · 2 评论 -
Image Style Transfer Using Convolutional Neural Networks——风格迁移经典论文阅读
Image Style Transfer Using Convolutional Neural Networks论文亮点研究背景研究方法与意义方法细节内容表示与内容损失风格表示与风格损失风格迁移实验设置与结果讨论内容和风格损失函数项的权重Trade-off卷积神经网络不同层的影响待转换图像初始化方法的讨论作者给出的其他讨论论文亮点给出了内容损失(Content Loss,也被称为特征重建损失...原创 2019-11-05 15:02:59 · 970 阅读 · 1 评论