深度学习图像处理
文章平均质量分 92
kangdk
追本溯源
展开
-
论文笔记 | SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
原文链接:摘要:SegNet:一种新的、实用的深度全卷积神经网络用于像素级语义分割。包括编码网络、解码网络及像素级分类层。 解码层对低分辨率的特征图进行上采样,上采样时使用与下采样相同的下标映射。从而省去上采样的参数学习。 上采样后的特征图是稀疏的(大部分参数为零),之后与训练好的分类器卷积,产生密集特征图。 该网络旨在用于场景理解任务,设计时考虑其内存及计算效率。翻译 2017-12-08 17:19:03 · 1924 阅读 · 0 评论 -
论文笔记 | YOLO9000论文阅读笔记(二)
更快速度与准确率对于检测任务都是非常重要的。大多数的检测任务,如机器人或自动驾驶汽车均依赖于低延迟的预测。大多数检测架构均将VGG-16作为基础特征提取器。VGG-16是一种强大的、精确的分类网络,但同样存在大量冗余。对于一副224x224的图像,VGG-16的卷积层迭代一次就需要306.9亿次浮点运算。YOLO架构使用基于GoogleNet的经典架构,该网络比VGG-16更快,前向传翻译 2017-08-13 20:36:32 · 1185 阅读 · 0 评论 -
论文笔记 | 基于双线性CNN模型的细粒度视觉识别
细粒度视觉识别之双线性CNN模型[1] Lin T Y, RoyChowdhury A, Maji S. Bilinear cnn models for fine-grained visual recognition[C]//Proceedings of the IEEE International Conference on Computer Vision. 2015: 1449-1457.原创 2018-01-11 16:22:47 · 14307 阅读 · 7 评论 -
【译】基于深度学习的语义分割导引
本文翻译自Qure.ai Blog,原文链接A 2017 Guide to Semantic Segmentation with Deep Learning作者主要从事语义分割及物体检测等研究,因此有兴趣于回顾行业现状。本文中,作者回顾了语义分割相关文献。大多数语义分割的研究使用自然或现实世界的图像数据集。尽管其结果不能直接用于医疗图像,作者回顾这些文献是因为基于自然图像的研究要远远多于医翻译 2017-12-16 22:11:09 · 1177 阅读 · 0 评论 -
基于深度学习的图像语义分割技术概述之背景与深度网络架构
本文为论文阅读笔记,不当之处,敬请指正。 A Review on Deep Learning Techniques Applied to Semantic Segmentation: 原文链接摘要图像语义分割正在逐渐成为计算机视觉及机器学习研究人员的研究热点。大量应用需要精确、高效的分割机制,如:自动驾驶、室内导航、及虚拟/增强现实系统。这种需求与机器视觉方面的深度学习领域的目标一致翻译 2017-04-29 19:32:43 · 3632 阅读 · 1 评论 -
论文笔记 | 基于深度学习的图像语义分割技术概述之5.1度量标准
本文为论文阅读笔记,不当之处,敬请指正。 A Review on Deep Learning Techniques Applied to Semantic Segmentation:原文链接5.1度量标准为何需要语义分割系统的评价标准?为了衡量分割系统的作用及贡献,其性能需要经过严格评估。并且,评估须使用标准、公认的方法以保证公平性。系统的多个方面需要被测试以评估其有效性,原创 2017-05-12 12:20:20 · 26050 阅读 · 11 评论 -
论文笔记 | YOLO9000论文阅读笔记(一)
CVPR 2017刚刚结束,心想选几篇论文拜读一下,大牛就是大牛,仅供瞻仰。YOLO9000: Better, Faster, Stronger 由华盛顿大学艾伦研究所的大牛Josehp Redmon、Ali Farhadi共同完成,获得CVPR 2017 最佳论文鼓励奖。YOLO9000对YOLO模型进行改进,速度、精确度均有提升,提出了一种将分类与检测训练过程相结合的方法,使模型可以同翻译 2017-08-13 20:33:42 · 1887 阅读 · 0 评论 -
基于深度学习的图像语义分割技术概述之4常用方法
4 深度学习图像分割的常用方法深度学习在多种高级计算机视觉任务中的成功—特别是监督CNNs(Convolutional Neural Networks,卷积神经网络)在图像分类、对象检测方面的成功—鼓舞着研究人员探索此类网络对于像素级标记,如语义分割方面的能力。这些深度学习技术的关键优点,就是突破了传统方法方法的边界,对于手头问题,能够自动学习合适的特征表示。例如,传统方法手动特征提取方式,为翻译 2017-06-01 14:50:08 · 13465 阅读 · 3 评论 -
论文笔记 | 基于深度学习的乳腺转移瘤识别(Deep Learning for Identifying Metastatic Breast Cancer)
文章提出了一种基于深度学习的前哨淋巴结节点转移瘤识别方法。文章使用数百万组织切片训练深度卷积神经网络,进行正常切片与肿瘤切片的切片级预测。之后,结合切片预测结果生成肿瘤概率热力图,对热力图进行后处理,完成基于幻灯片的分类任务和肿瘤定位任务。文章所提出的系统以接近人类的准确率赢得了2016年Camelyon 挑战大赛。最终,将深度学习预测结果与病理学家诊断结果相结合,从而显著减小了病理学家的错误率。原创 2017-10-11 09:44:59 · 8997 阅读 · 14 评论 -
论文笔记 | 基于深度学习的细粒度物体分类综述
节选整理自:A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation细粒度分类综述细粒度分类:同一类中不同子类物体间的分类。 难点:受视角、背景、遮挡等因素影响较大,类内差异较大、类间差异较小。基于深度学习的物体分类可以大致分为4类:使用通用DCN...翻译 2018-04-19 22:13:32 · 17230 阅读 · 4 评论