论文笔记
文章平均质量分 78
sunyao_123
这个作者很懒,什么都没留下…
展开
-
"A Review of Medical Image Classification Techniques-2011"笔记
作者:Smitha P.;Shaji L.;Dr. Mini M. G.Abstract 1. 找到图像的特征然后分析。特征分类是图像处理,通过这种方法,依据特征的性质,图像被分成不同的区域。 2. 第二种方法是通过神经网络分类技术。 3. 第三种方法是数据挖掘分类方案。Introduction 在医学图像分类中,将可视化和纹理技术结合来是可行的。图一为医学图像处理的步骤。原创 2017-06-15 19:02:49 · 717 阅读 · 0 评论 -
3D Deeply Supervised Network for Automatic Liver Segmentation from CT Volumes-笔记
网络结构: 网络改进的地方是通过反卷积(核大小为3X3X3,步长为2)中间层,使得和输入大小相同,然后通过label计算loss,和最终loss一起进行梯度更新。中间反卷积层输出的loss可以防止梯消失。(深度监督DSN) 由于最终输出是通过反卷积得到的,只通过阈值生成结果,有时后边缘会不精确。所以在横断面又使用了CRF。 观察了中间层的输出:证明该论文的中间层学习到的表达相关性...原创 2018-04-30 10:50:28 · 1284 阅读 · 1 评论 -
Quantization of Fully Convolutional Networks for Accurate Biomedical Image Segmentation-笔记
本文以论文Suggestive Annotation: A deep active learning frame work for biomedical image segmentation为基础,使用量化技术。 1.对具有高度表达性的训练样本使用suggestive annotation进行量化; 2.为了更高的精确度,使用量化对网络进行训练; 思路就是首先改善数据,然后使用改善的数据训练...原创 2018-04-18 20:08:54 · 718 阅读 · 0 评论 -
Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation-笔记
本文结合activate learning和bootstrap。 网络结构如图: 操作过程如下:首先使用少量的标注的数据进行训练网络,然后输入未标记的数据,根据提取的有用信息记录需要标记的数据,然后进行标记。下一个阶段使用现在可利用的标记好的所有数据进行训练,一直循环。挑战就是如何将进行信息提取的FCNs和deep active learning framework(分割网络)结合。 来...原创 2018-04-18 19:31:50 · 874 阅读 · 2 评论 -
Automatic Segmentation of MR Brain Images With a Convolutional Neural Network
一,数据: 二,方法:使用不同patch size大小的原因:大的patch包含空间信息,可以定位到这个像素位于图像中的位置(使用大的kernel);小的patch提供局部相邻像素的细节信息(使用小的kernel)。 每类训练数量相同,防止数据不平衡。 为了提供更多的数据,网络训练的每个周期的数据是不同的,每个周期重新提取训练数据。(由于每个训练周期之间提取数据,这样回增加寻...原创 2018-04-17 23:20:01 · 803 阅读 · 1 评论 -
Scaling Up Crowd-Sourcing to Very Large Datasets: A Case for Active Learning-笔记
通过Active Learning(AL)算法,找到最小的需要标注的数据进行训练,来标记未标记的数据。 AL必须满需下边的需求才能作为crowd-sourced database的默认的最优策略: Generality:算法必须能够应用到任意的分类和标记任务。因为crowd-sourced systems应用广泛。 Black-box treatment of the ...原创 2018-04-17 13:12:17 · 332 阅读 · 0 评论 -
Bootstrap-Scaling Up Crowd-Sourcing to Very Large Datasets: A Case for Active Learning
论文Scaling Up Crowd-Sourcing to Very Large Datasets A Case for Active Learning对bootstrap做了介绍。 原书(B. Efron and R. J. Tibshirani. An Introduction to the Bootstrap. Chapman & Hall, 1993.) ...原创 2018-04-17 12:26:35 · 289 阅读 · 0 评论 -
ranker-Scaling Up Crowd-Sourcing to Very Large Datasets: A Case for Active Learning
论文Scaling Up Crowd-Sourcing to Very Large Datasets A Case for Active Learning提出两种AL算法。 首先找到分类器θ对未标注数据的不确定程度。然后让crowd对这些数据进行标定。下边介绍两种不确定性方法。 下边的u是未标记数据,但是是指未标注数据的每一个,而不是整体。一:Uncertainty Algorit...原创 2018-04-17 12:15:31 · 190 阅读 · 0 评论 -
activate learning-Scaling Up Crowd-Sourcing to Very Large Datasets: A Case for Active Learning
Active Learning Notation本文是介绍论文Scaling Up Crowd-Sourcing to Very Large Datasets A Case for Active Learning中的AL算法。 Active learning algorithm主要由:1.一个ranker R; 2. selection strategy S;3. budget allo...原创 2018-04-17 12:01:23 · 360 阅读 · 0 评论 -
Interleaved 3D-CNNs for Joint Segmentation of Small-Volume Structures in Head and Neck CT Images-笔记
传统分割: (1)Atlas based methods, (2)Statistical shape/appearance based methods (3)Classification based methods论文方法: 1.调整窗宽窗位为[-200,200]。(肉眼可以观察软组织器官) 2.采用MABS method方法粗定位ROIs。使用归一化互信息...原创 2018-04-30 13:35:03 · 635 阅读 · 0 评论 -
unsupervised image segmentation by backpropagation-论文笔记
这是一个有趣的非监督分割方法 代码短小精悍直接说算法 1.首先对原图进行超像素分割。 2.使用卷积网络进行正向传播。网络输出100channel,输出和输入大小相同。也就是说,每个输入像素对应输出100个像素。这100个channel相当于对每个像素点进行100类的分类。通过这100个channel的输出,我们可以得到每个像素的预测类别。 3.那么我们如何得到每个像素...原创 2018-05-05 16:05:24 · 2651 阅读 · 4 评论 -
ExFuse- Enhancing Feature Fusion for Semantic Segmentation笔记
问题:论文称,简单的高低维特征融合效率比较低,因为语义层次和空间分辨率会有gap。作者发现在低维特征引入语义信息,高维特征引入高分辨率信息(空间信息)对后边的融合很有效。作者通过两个方面解决,高低维之间语义和分辨率的gap:1)给低维特征引入更多的语义信息,提出3个方法,layer rearrangement, semantic supervision and semantic embed...原创 2018-08-24 16:24:43 · 1509 阅读 · 0 评论 -
神经网络hash码论文笔记
Deep Learning of Binary Hash Codes for Fast Image Retrieval 首先通过ImageNet进行训练,通过迁移学习的方法,保留包括F7之前的参数,在F7之后添加一层hash编码层,最后是分类层。Hash编码层通过sigmoid,映射到0~1,最后通过0.5阈值二值化为{0,1}。思想是,通过hash编码层得到每张图像的hash码,然...原创 2018-08-02 18:16:49 · 1930 阅读 · 0 评论 -
Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net论文笔记
论文主要贡献有3点:1)IN学习到的是对形状变换,比如颜色,风格,虚拟的或现实的不敏感的特征,而BN是保留纹理相关的特征;2)灵活,能够用到很多的架构;3)在迁移学习的时候不需要目标领域的数据就能够提高网络的表现。 目的是:解决输入图片的外观不变性。 方法是将IN和BN结合起来,IBN-Net。 结果是:IBN-Net能够学习捕获和消除外观的变换,而保持学到的特征的区别性。 结构特性:将I...原创 2018-07-31 00:18:24 · 2783 阅读 · 0 评论 -
unet和segnet的结合-论文笔记
U-SEGNET: FULLY CONVOLUTIONAL NEURAL NETWORK BASED AUTOMATED BRAIN TISSUE SEGMENTATION TOOLSegNet结构: 上采样使用的是maxpooling的索引。全体采用VGG16结构,两边完全对称。该论文将SegNet 和U-Net结合起来,在SegNet引入skip connection,进行更好的...原创 2018-07-22 10:07:53 · 9284 阅读 · 7 评论 -
V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation-论文笔记
代码开源 代码开源方法: 说说网络结构。卷积核大小5X5。每一层增加残差学习,论文说增加残差能够加速收敛。没有使用pooling,使用卷积来降采样(核大小2x2x2,步长2)。非线性函数使用PReLu。是右边使用反卷积。左右两边通过拼接而不是相加。 卷积和反卷积如下: 每层输出特征感受眼如下: 损失函数: 本文提出一个基于dice coefficient的损失函数。两个...原创 2018-05-06 16:51:37 · 3948 阅读 · 0 评论 -
Hierarchical combinatorial deep learning architecture for pancreas segmentation-笔记
Network architecture网络结构来源于RCF network。RCF基于Holistically-nested Edge Detection (HED) network,是一个边缘检测结构,目的是提取自然图片的显著的边缘和物体的边界。 网络结构如图: 虽然这个图画的不太常规,好像很厉害,但是有类似的结构。4个pooling,5个stages,13个卷积。每个stage后...原创 2018-05-13 09:02:49 · 350 阅读 · 0 评论 -
Deformable Convolutional Networks-笔记
基本思想:通过在模型里边,增加额外的偏移,来增强空间采样位置,并且从目标学习这个偏移,而不需要额外的标记。 本文第一次证明,在深度CNN,通过学习稠密的空间变换,对比较复杂的任务有有效的作用,比如目标检测,分割。 代码开源 目标检测的一个挑战就是:如何适应目标的尺度,位置,视角,部分变形的几何变换。通常来说有两种方法,数据增强,使用transformation-invariant featu...原创 2018-05-18 19:30:40 · 415 阅读 · 0 评论 -
SegAN:Adversarial Network with Multi-scale L1 Loss for Medical Image Segmentation-笔记
这次介绍将对抗网络第一次应用到医学图像分割的文章。 作者提出用对抗网络进行分割,损失函数使用多尺度L1损失函数。该论文的判别器和生成器分别为critic network (C)和segmentor network (S)。 首先介绍一下SegAN与原始的GAN的区别。 1,损失函数的区别。经典的GAN的generator和discriminator的损失是分开的。本论文为segment...原创 2018-05-12 08:23:51 · 5187 阅读 · 2 评论 -
Dual Path Networks
作者发现ResNet可以使得特征重用,DenseNet可以探索新的特征。二这两个作用对网络学习好的表达很重要。所以论文将2着结合起来。 结构如下图: 首先将输入预分为俩部分。将所有输入通过1X1,3X3和1X1的卷积之后也分为相同数量的俩部分,第一部分像resnet一样相加,第二部分像densenet一样拼接。形成下一个新的输入。不断重复上述过程。为了减缓宽度的增加,将最后一个1X1的少数...原创 2018-03-31 15:19:34 · 270 阅读 · 0 评论 -
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
depthwise separable convolution:depthwise convolution+ pointwise convolution。 depthwise convolution:比如输入是AXA大小,M通道,输出大小是BXB,N通道。比如卷积核大小为KXK。depthwise convolution就是:使用M个KXK大小的卷积核,分别对输入进行卷积,与常规的卷积不同的是,...原创 2018-03-30 19:55:12 · 393 阅读 · 0 评论 -
目标检测4 Faster R-CNN
作者:Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun这篇文论干了什么呢?目标检测网络基于区域建议( region proposal)算法,首先得生成区域建议,才能进行检测,暴露出区域建议是目标检测的一个瓶颈。所以,论文提出一个区域建议网络( Region Proposal Network ,RPN),使用检测网络,共享全图卷积特征,使得生成原创 2017-09-13 10:02:36 · 619 阅读 · 0 评论 -
目标检测1 RCNN
Rich feature hierarchies for accurate object detection and semantic segmentation 作者:Ross Girshick Jeff Donahue Trevor Darrell 与图像分类不同,检测要求在图片中定位目(可能多个目标)。 第一个挑战就是,目标定位,论文使用论文recognition using原创 2017-08-26 09:29:01 · 345 阅读 · 0 评论 -
Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks2017
作者:Pranav Rajpurkar ∗ Awni Y. Hannun ∗ Masoumeh Haghpanahi Codie Bourn Andrew Y. NgAbstract 我们研发了一种算法,在检测由单个导联可穿戴监视器记录的很多种心率不齐心电图上,能够提高委员会认证医生的表现。我们训练了一个34层的卷积神经网络,将ECG样本分类。Introduction 为了从原创 2017-07-29 11:23:50 · 2095 阅读 · 0 评论 -
White matter hyperintensity and stroke lesion segmentation and differentiation using cnn_part1_2017
作者:R. Guerrero ∗1 , C. Qin ∗1 , O. Oktay 1 Abstract 最近,一些方法被提出来自动分割WMH区域。这些方法大多分割MRI图像的WHM,但是不能区分WMH和中风。其他能够区分脑部MRI图像不同病理的方法,不能同时分割大脑WMH和中风。这篇论文提出一种卷积神经网络,能过分割高信号,并且能够区分WMH和中风区域。特别的是,我们的目的是区分由于中风损伤造成(原创 2017-08-05 11:01:10 · 1696 阅读 · 0 评论 -
White matter hyperintensity and stroke lesion segmentation and differentiation using cnn_part2_2017
4.2 Comparison to state-of-the-art 作者和当前最好的方法进行了比较,LST(http://www.statistical-modelling.de/lst.html)工具里边LPA算法和LGA 算法。LPA只用到FLAIR图像,LGA用到了FLAIR图像和T1加权图像。进行比较的还有DeepMedic。还有一些参数设置。 表2展示了自动分割和专家原创 2017-08-08 21:03:59 · 718 阅读 · 0 评论 -
The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation_2016
作者:Simon Jégou Michal Drozdzal David VazquezAbstract 典型的语义分割架构由(a)一条下采样路径,负责提取粗的语义特征,再加一个(b)一条上采样路径,负责回复图像分辨率,和一个可选的后处理模块(比如,条件随机场)来精调模型预测。 最近一个新的架构DenseNets,主意来源于:如果每层直接连接其他层,就像前馈机制一样,网络会变原创 2017-07-19 20:31:11 · 4229 阅读 · 0 评论 -
The Importance of Skip Connections in Biomedical Image segmentation_2016
作者:Michal Drozdzal, Eugene Vorontsov, Gabriel Chartrand, Samuel Kadoury and Chris Pal Abstract论文研究了在FCNs上长短跳跃连接对医学图像分割的影响。类似残差网络,作者在FCNs上增加短跳跃连接,这样网络可以做的很深(100多层)。梯度流动的观察证实了,对于一个非常深的网络,长短跳跃连接是有益的。原创 2017-07-24 09:06:03 · 2214 阅读 · 1 评论 -
Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions笔记
作者: Zeynettin Akkus & Alfiia Galimzianova & Assaf Hoogi & Daniel L. Rubin & Bradley J. Erickson 时间:2017Abstract 这篇综述的目的是提供关于最近基于深度学习的分割方法对脑部MRI(磁共振成像)定量分析的概述。首先我们看一下最新用来分割脑部解剖结构和脑部损伤的深度学习框架。接下来原创 2017-06-29 20:04:22 · 9187 阅读 · 10 评论 -
目标检测3 Fast R-CNN
作者:Ross Girshick Microsoft Research 开源代码: https://github.com/rbgirshick/fast-rcnnr-cnn的缺点: 1.多状态通道训练;首先使用log损失微调cnn,然后使用SVM(而不是softmax)进行分类,最后还要使用线性回归模型来提高精确度。 2.训练占内存和耗时间; 3.目标检测很慢;即测试也很慢。 为什么这么原创 2017-09-06 15:37:27 · 522 阅读 · 0 评论 -
目标检测2 SPPnet
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 作者:Kaiming He, Xiangyu Zhang, Shaoqing Ren现在的深度卷积神经网络要求输入图像固定大小,这样的要求减小了图像或者随意大小子图像的识别精确度。作者提出空间金字塔池化来解决上边问题。这个新网络叫做SPP-ne原创 2017-08-28 07:12:49 · 505 阅读 · 0 评论 -
Inception系列4_Xception: Deep Learning with Depthwise Separable Convolutions
Xception: Deep Learning with Depthwise Separable Convolutions 作者:Franc ¸ois Chollet卷积层的作用是既要学习二维信息,也要学习三维信息。为了使得这种学习简单高效,inception将其分解为一系列的操作,独立的学习二维和三维特征。首先通过一系列的1X1关注与三维相关性,映射到3~4个独立的比输入更小的空间,然后在通过3原创 2017-12-19 12:03:02 · 1290 阅读 · 0 评论 -
Inception系列3_Inception-v4:Inception-ResNet and the Impact of Residual Connections on Learning
Inception-v4:Inception-ResNet and the Impact of Residual Connections on Learning 作者:Christian Szegedy,Sergey Ioffe,Vincent Vanhoucke有一条很清楚的经验证明:训练具有残差连接的网络能够显著的加速Inception网络的训练。 论文提出两种模型:Inception-v4原创 2017-12-19 11:20:07 · 501 阅读 · 0 评论 -
Inception系列1_Going deeper with convolutions GoogleNet inception
Going deeper with convolutions_GoogleNet_inception作者: Christian Szegedy, Wei Liu, Yangqing Jia这个架构的主要优点是提高网络内部计算资源的利用率,前生是GoogLeNet. 提高网络结果的方法有增加深度和增加宽度,但缺点就是参数过多和增加计算资源.解决办法去就是将全连接改为系数连接架构(包括卷积内部).A原创 2017-12-19 10:15:04 · 285 阅读 · 0 评论 -
Squeeze-and-Excitation Networks
作者提出SE blocks,通过堆叠SE blocks,可以生成SENet架构。SE blocks基本结构如图1。论文目的是通过明确的模型化卷积特征图之间的内部依赖关系,来增强网络的表达能力。通过一个给定的变换:Ftr : X → U,X ∈ RW‘×H‘×C’ ,U ∈ R W×H×C,我们可以建造一个对应的SE block,对特征再校准。特征U首先通过squeeze操作,汇集特征图产生...原创 2018-01-01 17:17:06 · 842 阅读 · 0 评论 -
Squeezenet alexnet-level accuracy with 50x fewer parameters and less 0.5MB model size
项目网址在和AlexNet同等精确度的情况下,SqueezeNet的参数少了50倍,最后模型大小减小到510倍。架构设计策略:主要有3个。 1. 使用1X1的滤波器代替3X3的滤波器。 2. 通过1方法来减少输入通道个数。 3. 推迟下采样,由于下采样的推迟,特征图增大,可以提高分类精确度,降低网络深度。 方法1和2是保持网络性能基础上使用;方法3是为提高网络性能使用。论...原创 2018-01-01 17:11:33 · 1000 阅读 · 0 评论 -
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
故名思意,为了容易满足手机和嵌入式应用的需求。有两个超参数可以调整网络,使得可以兼顾不同的情况,平衡速度和精确度的要求。在优化延迟的同时使得网络尽可能的小。MobileNet Architecture MobileNet模型基于depthwise separable convolutions(= depthwise Convolution + 1×1 convolution called a p原创 2018-01-01 17:02:20 · 364 阅读 · 0 评论 -
Inception系列2_Rethinking the Inception Architecture for Computer Vision
Rethinking the Inception Architecture for Computer Vision作者:Christian Szegedy,Vincent Vanhoucke, Sergey Ioffe这篇论首先描述了一些通用的原则和优化方法,这些方法被证明对减小网络是有用的。General Design Principles 1.避免representational bottle原创 2017-12-19 10:43:44 · 453 阅读 · 0 评论 -
Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks_2017
作者:Hao Dong , Guang Yang 等训练图像被插值为1*1*1,大小为240×240×155,然后经过数据标准化(每套多模态MRI减去自己的均值,除以标准差).肿瘤被分了4类,1.necrosis(坏死), 2.edema(水肿), 3.non-enhancing, 4.enhancing tumor.使用FLAIR图像分割完整的肿瘤区域和除水肿之外的肿瘤,使用T1c(T1-wei原创 2017-10-08 09:11:57 · 1455 阅读 · 0 评论 -
Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network论文笔记
作者发现大核对分割于有重要作用。所以提出Global Convolutional Network。和使用residual-based boundary refinement处理边界。Global Convolutional Network 分割包含两部分内容,定位,分类。论文称,这两块互相矛盾。1)对于分类任务,模型应该对变换不敏感(比如,移动,旋转,缩放);2)对于定位任务,模型应该对变换...原创 2018-08-24 22:01:26 · 629 阅读 · 0 评论