计算机视觉
文章平均质量分 90
Dr.Cup
奋斗者!
展开
-
图像分割入门-SegNet理论与实践
SegNet 作为一种高效且精确的图像语义分割网络,通过其独特的结构和流程,成功地解决了许多复杂的图像分割问题,并在实际应用中取得了广泛的成功。随着深度学习技术的进一步发展,SegNet 和其衍生算法有望在未来继续推动图像分割技术的进步,为各种应用场景提供更加智能和精确的解决方案。原创 2024-07-08 18:26:23 · 920 阅读 · 0 评论 -
图像分割入门-Unet++理论与实践
U-net++ 架构源自于 U-net,后者由欧洲核子研究组织(CERN)的研究人员于2015年提出。U-net 最初被用于生物医学图像分割,其结构类似于自编码器,具有对称的编码器和解码器部分,并通过跳跃连接将编码器和解码器层级相连接。U-net++ 在 U-net 的基础上进行了改进,主要集中在增强了特征融合的能力,通过引入多层级的特征融合模块,使得网络能够更好地捕获不同尺度下的特征信息,从而提升了图像分割的精度和鲁棒性.原创 2024-05-06 15:06:47 · 1065 阅读 · 1 评论 -
医学图像分割入门-FCN理论与实践
本文介绍了全卷积网络(FCN)在图像分割任务中的应用。相较于传统方法,FCN能够直接从图像到像素级别标签的映射,提高了分割效率和准确性。文章简要回顾了传统图像分割方法的局限性。FCN将传统的卷积神经网络扩展为全卷积结构,接受任意尺寸的输入图像并输出相同尺寸的像素级别标签,其关键组成部分包括卷积层、池化层和全卷积层,通过特征提取和像素级别分类实现图像分割。原创 2024-04-21 21:58:01 · 1042 阅读 · 0 评论 -
医学图像分割入门-UNet理论与实践
U-Net 是一种针对图像分割任务的深度学习架构,在其设计中融入了跳跃连接、对称的 U 形结构和特征信息合并等关键机制。跳跃连接允许低级特征直接传递至解码器,增加了信息传递路径,有效地缓解了信息丢失问题,有助于网络更准确地还原图像细节。对称的 U 形结构确保编码器和解码器之间的紧密联系,提高了信息传递的效率,有助于网络更好地学习图像特征。而特征信息的合并使解码器能够利用多层级特征,有效地提高了图像分割的准确性和鲁棒性。综合这些机制的运用,U-Net 在图像分割领域展现出色,为图像处理任务带来了新的突破和提升原创 2024-04-15 16:24:15 · 949 阅读 · 0 评论 -
计算机视觉初探--LeNet原理与实践
这篇博客文章详细解释了LeNet模型的数学原理,包括卷积操作、池化操作、全连接层和激活函数等方面。在讲解卷积操作时,提到了卷积核与输入数据的逐元素相乘和相加过程;而池化操作则是对特征图进行下采样以降低数据维度。此外,全连接层通过权重矩阵和偏置向量实现线性变换,并使用tanh函数进行非线性变换。前向传播过程中涉及卷积、池化、全连接和softmax分类,反向传播用于更新模型参数以最小化损失函数。LeNet模型通过各种操作提取图像特征并实现分类任务。原创 2024-02-21 15:33:05 · 872 阅读 · 0 评论