深度学习
文章平均质量分 93
Skr.B
无我
展开
-
Cross-Modality Domain Adaptation
Cross-Modality Domain Adaptation for Medical Image SegmentationUnsupervised 3D Semantic Segmentation Domain Adaptation领域适应(DA)最近引起了医学成像界的强烈兴趣。通过鼓励算法对未知情况或不同的输入数据域具有鲁棒性,域自适应提高了机器学习方法对各种临床环境的适用性。虽然已经提出了各种各样的 DA 技术用于图像分割,但这些技术中的大多数已经在私有数据集或小型公共可用数据集上得到验证。此外原创 2022-01-05 10:46:42 · 1779 阅读 · 0 评论 -
飞桨论文复现挑战赛(第四期)冠军 —— paddle-SAM
论文复现:Only a Matter of Style: Age Transformation Using a Style-Based Regression Model一、简介本文提出了一种图像到图像(image-to-image)的年龄转换方法,该方法促使编码器学习将真实面部图像编码到预先训练的无条件 GAN(例如 StyleGAN)的潜在空间中,该编码器会受到给定的年龄变化的影响。本文将老化过程作为输入年龄和目标年龄之间的回归任务,对生成图像的年龄提供细粒度控制(而不是只能老化到给定的年龄),使原创 2021-09-27 19:26:43 · 1752 阅读 · 2 评论 -
ITK-SNAP + c3d 处理 3D 图像以及 DICOM 格式
❤️❤️❤️ c3d 是一个免费的、强大到无以复加的 3D 图像处理工具,它尤其在深度学习医学图像研究和应用中能发挥出无与伦比的生产力 —— 我 ????我将以 Pancreas-CT 数据集及其标签为例,简要介绍 c3d 处理 dicom 格式 3D 图像(dicom 转成 nii)、Nifti 格式 3D 图像的常用功能下载安装 c3d 和 ITK-SNAP官网下载地址:http://www.itksnap.org/pmwiki/pmwiki.php?n=Downloads.C3D记得把 c原创 2021-09-20 23:09:32 · 5193 阅读 · 2 评论 -
AdaBatch 数值实验复现
一、AdaBatch: adaptive batch sizes for training deep neural networks 概述使用 SGD 训练神经网络的时候需要精挑细选一个合适的批量,较小的 batch size 通常在较少的训练时间内神经网络就能收敛,但较大的 batch size 提供了更多的并行性,从而提高了计算效率。论文(2017年,NVIDIA)《AdaBatch: adaptive batch sizes for training deep neural networks》开发原创 2021-06-02 13:49:57 · 550 阅读 · 1 评论 -
数据增广(data augmentation)在训练深度神经网络时的必要性解释
Left-Ventricle Quantification Using Residual U-NetKerfoot E., Clough J., Oksuz I., Lee J., King A.P., Schnabel J.A. (2019) Left-Ventricle Quantification Using Residual U-Net. In: Pop M. et al. (eds) Statistical Atlases and Computational Models of the Hea原创 2021-03-22 22:29:48 · 782 阅读 · 0 评论 -
简明易懂——卷积神经网络的输入输出特征图大小计算
???? 参考文档:《百度飞浆:零基础入门深度学习》假设输入图片尺寸是 H×WH \times WH×W,卷积核(池化窗口)大小为 kh×kwk_h \times k_wkh×kw卷积层: 假设填充为 (ph,pw)(p_h, p_w)(ph,pw),步幅为 (sh,sw)(s_h, s_w)(sh,sw),则卷积层输出特征图的大小为:Hout=H+2ph−khsh+1H_{out} = \frac{H + 2p_h - k_h}{s_h} + 1Hout=shH+2ph−kh原创 2020-10-08 17:27:42 · 20622 阅读 · 4 评论 -
pytorch flask 实现的图像风格转换 Web 应用
WCT Style Transfer ????图像风格转换的深度学习算法研究和应用开发[Live Demo: WCT Style Transfer] 部署在阿里云ECS,2020.10将会过期IntroductionTheoriesStyle TransferManual InstallationBackendFrontendAcknowledgmentsAuthorsLicenseIntroduction实现一个高效的图像风格转换算法,通过Web应用让更多..原创 2020-06-19 16:11:24 · 882 阅读 · 0 评论 -
Flask + Vue + PyTorch 前后端分离部署,配合 Gunicorn + Nginx + 阿里云ECS
前期准备:一、系统环境配置:阿里云系统镜像最好选择Ubuntu系统(CentOS安装Tensoflow会踩很多坑),我选择镜像市场的免费镜像:NVIDIA GPU Cloud VM Image with TensorFlow,已经自带python2.7+和python3.6+,区分python和python3。python3.7+安装参考:《在阿里云CentOS服务器上安装Python3.7并设置为默认Python》nginx安装:cd ~,apt-get install nginx。二、源代原创 2020-06-05 16:42:26 · 1569 阅读 · 0 评论