1 常用的分割网络
2 常用的检测网络
3 常用的分割指标
4 常用的检测指标
5 常用的正则化方法(BN,LN,IN)
6 常用的注意力机制
7 常用小目标检测方法
8 常用的小样本问题方法
9 常用的医学图像格式
10 bs与网络训练的关系
11 自监督学习机制和总结
【整理】
【零零散散】
Squeeze-and-Excitation Networks | 017ImageNet分类比赛冠军模型SENet-SENet | cv中se |
分类性能指标 |
【常用的正则化方法BN,LN,IN】
机器学习中的正则化 | Regularization |数学角度理解 | 直观理解正则化| 正则化 | Regularization-约束|
BN、LN、IN、GN、SN | 概念+图解+具体 ★| 汇总介绍
Normalization、Standardization、Regularization | 三者比较 |如何理解 | dropout+标准化 | 结合医学图像 |
BN-处理步骤 | 批归一化BN | 归一化" data-link-title="规范化->归一化">规范化->归一化 | √示意图说明 | DL中BN效果最好 | BN详解 | 归一化√ | 归一化有哪些&适合什么方法 | 步骤+对比 |
归一化/标准化-有汇总链接 | GN-对比其他 |
SN论文+对比 |
【常用分割网络】
FCN、Unet、Unet++ | UNet 和 UNet++ | 论文 | U-Net | U-Net | 趋势 | U-Net简介 | |训练方法+下链接 | Denes Net网络结构 |
基于卷积神经网路的 | 基于深度学习 -综述 | 基于水平集和神经网络的 |
超像素方法-2018 | 分割方法 | 分割综述2002 |
分类之ResNet | Unet遇到Resnet | LeNet-5到DenseNet | AlexNet/VGG/GoogLeNet | DenseNet| DenseNet-Pytorch |
CNN中的感受野 | 卷积和池化对感受野的影像 | 感受野检索目录★ | 泛函 把函数映射到数|
【常用的检测网络】
【常用的分割指标】
检索目录 |
Dice coefficient和F1-score | Dice、Hausdorff_95、IOU、PPV | U-Net| 基础知识+指标 | 医学影像分割常用指标及pytorch代码 | 常用术语-混淆矩阵-指标 | 有总结| 评价指标-模型 | |基于深度学习的医学图像分割综述 | |
【常用的检测指标】
【常用的注意力机制】
【常用小目标检测方法】
【常用的小样本问题方法】
【常用的医学图像格式】
【bs与网络训练的关系】
【常用的医学图像格式】
Dicom/NIfTI/ANALYZE/NRRD/MINC | 博客园 | 三种&python | 成像及存储格式 | 格式及转换 | CT下Dicom详解|dicom详解 | Dicom网络传输 | 医学影像图片格式 | 数据格式(2) | 数据读取与预处理 |
存储格式需要考虑2D还是3D