人工智能(python、c++)
文章平均质量分 63
佳昌
热爱编程与技术研究,提倡知识共享,从实际项目入手解决技术难题。
展开
-
虚拟双能量减影-实现骨肉分离
虚拟双能量减影使用两种不同的kV曝光两次,获得两种不同对比度的图像,并可进行图像处理的数字摄影方法。从高kV图像中减去低kV图像中的骨骼结构影,从而产生“软组织图像”,这个过程叫“双能量减影”。实际应用中由于受限于拍摄时间,并且重复拍摄会造成对患者吸收更多剂量的射线。虚拟双能量减影通过单张图像模拟双能量减影的效果。首先通过人工智能方式训练骨骼图像,然后对骨骼进行微调,最后把原始图像减去微调后的骨骼图像就得到无骨骼残影的软组织图像。原始图像人工智能训练得到骨骼图像未做微调.原创 2021-10-27 17:42:27 · 2433 阅读 · 1 评论 -
四、C++调用slomo模型
上一章《训练模型调用及转换》把训练好的模型转换为c++可以通过libTorch调用的模型。想了解windows C++调用libTorch可以看《C++(libTorch)调用pytroch预训练模型》,本章不在介绍。 首先调用torch::jit::load()把训练模型加载进来。 预测图像是使用opencv的cv::imread()进行读取。然后通过torch::from_blob转化为torch张量。 接下来把两张图像张量进行合并进行预测。输出...原创 2020-06-28 18:22:56 · 343 阅读 · 0 评论 -
Win10+VS2017+PyTorch(libtorch) C++ 基本应用
0.下载准备下载安装VS2017或VS2015下载安装opencv可以参考博客:VS2017配置opencv教程 ,该博客中写的很详细安装cmake记得把bin目录添加到环境变量path中,例如我的:E:\SoftEnv\CMake\bin下载libtorch下载地址:PyTorch libtorch ,这个根据自己情况选择下载,因为我自己的是cuda10,并且我选择使用release版本,所以我的选择如下:1.PyTorch模型转换为Torch脚本PyTorch模型从Pytho转载 2020-06-28 17:06:00 · 928 阅读 · 2 评论 -
三、训练模型调用及转换
上一章《slomo部分源码分析》为了提高测试速度降低GPU显存的要求对源码进行部分修改。本章实现训练模型的调用及转换为torch.jit模型。首先通过torch.load()加载上一章训练好的模型,读取两张测试图,并转化为灰度图,把两个转换过的灰度图通过torch.cat()合并后进行预测,同时通过torch.jit保存模型。以下是这部分的代码:device = torch.device("cuda" if torch.cuda.is_available() else "cpu")model =原创 2020-06-28 16:41:40 · 773 阅读 · 0 评论 -
二、slomo部分源码分析
上篇文章《super slomo介绍》已经对slomo进行大概的介绍。 本章对该源码进行一个简单分析,由于本人笔记本显存不够,因此对该源码进行部分修改,可以减少显存占用和训练速度的提升。并且后续使用C++来调用训练好的模型并实现双向光流和中间帧合成。 源码地址:https://github.com/avinashpaliwal/Super-SloMo,官方WIKI有具体的安装过程,不在做介绍。 源码通过torch来实现基于U-NET的神经网络结构和...原创 2020-06-28 15:48:20 · 513 阅读 · 0 评论 -
一、super slomo介绍
本专题文章对super slomo进行一系列操作,降低训练时间、预测时间、导出训练模型、C++调用模型进行预测等。本章对其进行一个简单介绍,来自互联网。2018年CVPR的论文《Super SloMo: High Quality Estimation of Multiple Intermediate Frames for Video Interpolation 》. 探讨了如何将普通设备录制的视频转换为高帧率慢动作视频。这项工作的原理是在临近的两帧之间补充额外的画面帧。让我们先来看一下效果:原视频为转载 2020-06-28 11:01:17 · 3134 阅读 · 0 评论