斑马CV-CSDN博客

原创《Label-Free Liver Tumor Segmentation》论文笔记

生成人工的肿瘤数据，减少人工标注的工作量。合成肿瘤图像：1、形状和质地很真，医生也难以分辨；2、训练网络更高效，与在真实肿瘤上训练相近。可以生成大量的小肿瘤的图像，对于肿瘤前期的诊断十分有帮助！影响合成肿瘤的因素包括：形状，灰度值，大小，位置和纹理。文章中生成肿瘤的策略：(i)不与血管碰撞的位置，(ii)带有按比例放大的高斯噪声的纹理，以及(iii)由扭曲的椭圆体产生的形状。此外，合成策略随心所欲的生成具有所需位置、大小、形状、纹理和强度的肿瘤，而不局限于固定的有限大小的训练集。

2023-05-16 21:10:47 1694

原创《DeepMAD: Mathematical Architecture Design forDeep Convolutional Neural Network》论文笔记

设计一个网络模型需要耗费大量的时间去微调超参数，并且需要不平凡的网络模型的先验知识（经验），所以设计了一个自动求CNN超参数（宽度，深度等）的一个算法，建模成为一个有约束的数学问题（constrained MP）。这个数学问题的规模不多余几十，所以可以几乎实时的利用CPU进行求解，并且可以直接利用CPU中现成的MP求解器进行求解。现有许多工作都结合了训练数据，对超参数进行优化，这样会耗费许多计算资源，并且不可解释。最后的结果在多个数据集上超过了SOTA，并且在相同规模的数据上超过了VIT。

2023-05-15 15:36:14 1043

原创《Noisy-As-Clean: Learning Self-supervisedDenoising from the Corrupted Image》论文笔记

文章中表示去噪过程中会出现问题鸿沟：由于训练图像和测试图像的原图结构和噪声都存在较大差异。有监督的训练用到了大量污染图像和干净图像对作为训练集，不可避免的会遇到上面这个问题。所以提出了一个无监督的训练策略（NAC）这里提一下Deep Image Prior (DIP)这篇文章，大意就是在训练中期停止训练。因为网络先学图像结构，再学噪声什么的，在没学到噪声的时候停下来，预测的只有图像结构达到降噪的目的。

2023-05-12 11:01:43 351 1

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 《Label-Free Liver Tumor Segmentation》论文笔记

原创 《DeepMAD: Mathematical Architecture Design forDeep Convolutional Neural Network》论文笔记

原创 《Noisy-As-Clean: Learning Self-supervisedDenoising from the Corrupted Image》论文笔记

空空如也

空空如也

原创《Label-Free Liver Tumor Segmentation》论文笔记

原创《DeepMAD: Mathematical Architecture Design forDeep Convolutional Neural Network》论文笔记

原创《Noisy-As-Clean: Learning Self-supervisedDenoising from the Corrupted Image》论文笔记