Henry的博客

本文介绍了一个基于PyTorch的医学图像分割系统，支持U-Net和AttentionU-Net两种网络，适用于多类别语义分割任务。项目包含完整的数据预处理、模型训练、评估和预测功能，特别针对CT扫描等医学图像优化，提供数据增强、窗口化处理等功能。系统采用模块化设计，包含数据集处理、模型定义、训练流程、评估指标和可视化工具，并支持多种分割指标计算。项目可扩展性强，可用于医学影像、遥感和工业质检等领域，未来可集成更多模型和功能。

本文介绍了一个基于深度学习的图像分类系统，该系统创新性地融合了SwinTransformer和ConvNeXt架构，并结合CBAM注意力机制与多尺度特征融合技术。系统实现了完整的训练-验证-测试流程，采用FocalLoss解决类别不平衡问题，支持多种优化器和学习率策略。通过数据增强和混合架构设计，在验证集上取得了99.5%的准确率。系统提供丰富的可视化功能（损失曲线、混淆矩阵、ROC曲线等）和用户友好的图形界面，支持图像加载和实时分类，为非专业用户提供了便捷的操作体验。

摘要：本文提出了一种基于点提示的交互式图像分割系统，采用改进的U-Net架构，通过用户提供的正负样本点实现精确分割。系统包含完整的训练、验证和交互推理流程，支持多类别分割。创新性地引入点提示通道，将用户交互信息（正负样本点）与图像特征结合输入网络。实验结果显示，该系统在mIoU（0.8543）和Dice系数（0.8912）等指标上表现优异，具有快速响应和高质量分割的特点。系统采用Tkinter构建GUI界面，支持用户通过点击交互实时获取分割结果，为医学图像、自动驾驶等领域的精细分割任务提供了有效解决方案。