语义分割源代码_今日 Paper | 双向ConvLSTMU-Net卷积；SAU-Net；立体匹配；深度语义分割等...

最新推荐文章于 2022-12-02 17:18:19 发布
最新推荐文章于 2022-12-02 17:18:19 发布
阅读量329 收藏 1
点赞数
文章标签： 语义分割源代码
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39937412/article/details/111606921
版权

目录

具有稠密连接的双向ConvLSTMU-Net卷积

SAU-Net:基于空间注意力的密集型U-N网络在脊柱三维MRI分割中的应用

学会自适应的立体匹配

自然和医学图像的深度语义分割：综述

深度学习在股市预测中的应用：最新进展

具有稠密连接的双向ConvLSTMU-Net卷积

论文名称：Bi-Directional ConvLSTM U-Net with Densley Connected Convolutions

作者：Reza Azad; Maryam Asadi-Aghbolaghi; Mahmood Fathy; Sergio Escalera

发表时间：2019/9/15

论文链接：

推荐原因

在常规的 U-Net 中，他们直接将 encoded feature 直接拷贝并且结合到 decoding 的分支中。本文提出使用 BConvLSTM 的方法来处理 encoding 和 decoding feature，更好的进行结合。此处使用的 ConvLSTM 是来自于：Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting，NIPS 2015。该模型包含 input gate, output gate, forget gate, and a memory cell。

4895bd42cc6c2469c070ef8eea442afd.png

4055589fe534294e0ff688f234e16c9b.png

SAU-Net:基于空间注意力的密集型U-N网络在脊柱三维MRI分割中的应用

论文名称：SAU-Net: Spatial Attention-based Densely Connected U-Net for 3D Spine MRI Segmentation

作者：Anonymous authors

发表时间：2020/1/10

论文链接：

推荐原因

脊柱分割问题中切片形状不规则、切片之间的差异性大，往往会导致分割精度不高。

因此，本文作者采用堆叠的DenseU-Net结构对输入的三维图像进行预测。然后利用层间信息对粗分割结果进行细化，并得到最终的分割结果。

e1b9cd6284c444a7303f21644793ebe3.png

9ea9f40825b161049cec106755a7dabb.png

学会自适应的立体匹配

论文名称：Learning to Adapt for Stereo

作者：Tonioni Alessio /Rahnama Oscar /Joy Thomas /Di Stefano Luigi /Ajanthan Thalaiyasingam /Torr Philip H. S.

发表时间：2019/4/5

论文链接：

推荐原因

这篇论文主要解决立体匹配领域中，从合成/仿真数据域到真实数据域的自适应学习。作者借鉴元学习MAML的思想，希望能够在合成数据上仿真实际情况中的自适应学习过程，将自适应的过程纳入训练阶段的学习目标。作者利用抽取的视频帧，在训练时对当前视频帧使用无监督损失函数模仿适应到新环境的过程，再对下一帧采用有监督损失函数评估自适应的有效性。由此训练出来的模型能够更好地适应不同的新环境。同时，为了提高无监督自适应的质量，作者还设计了一个置信度估计网络，用来过滤掉无监督损失函数中被遮挡的像素点。作者从元学习上寻找思想，通过训练上的优化来达到提升自适应的能力，具有很强的创新性。该论文收录在CVPR 2019。

70635079b0b848b364a426cc87b6b5e5.png

31dc3a194644d1ad748bcbc437a20ad6.png

自然和医学图像的深度语义分割：综述

论文名称：Deep Semantic Segmentation of Natural and Medical Images: A Review

作者：Saeid Asgari Taghanaki∗1 / Kumar Abhishek1 / Joseph Paul Cohen2 / Julien Cohen-Adad3 / and Ghassan Hamarneh1

发表时间：2019/10/16

论文链接：

推荐原因

这一篇 2019 下半年发表的医学图像分割综述。该文主要对自然图像语义分割以及医学图像分割的知识点进行了梳理和总结。这篇综述将最经典的基于深度学习的医学图像和非医学图像分割问题分为五个子问题进行了总结，分别为：网络结构，损失函数，数据合成（生成），弱监督方法和多任务方法，内容涵盖了经典、最新的基于深度学习的图像语义分割相关论文。最后又对自然图像和医学图像的未来研究热门方向进行了总结。

4cfc20fe26704b1109be8e0a345377cf.png

7e8bba31807cc177a4d73f844404754d.png

深度学习在股市预测中的应用：最新进展

论文名称：Applications of deep learning in stock market prediction: recent progress

作者：Jiang Weiwei

发表时间：2020/2/29

论文链接：

推荐原因

这篇论文回顾和总结了最近3年深度学习在股市预测中的文献，试图让后续的研究者快速地了解这个领域的最新进展，同时也格外关注了过去工作中的开源代码和数据，帮助后续的研究者复现之前的工作作为新模型进行比较的基准。这个领域仍然是非常活跃的，最近的图卷积模型等新的工作会给股市预测问题带来新的视角，有可能促进这个领域进一步的发展。

66efa47be6d2f9486d3562ff30b182d7.png

71499cf12a6d4fb9a14eff8dfc508e14.png

雷锋网雷锋网雷锋网

weixin_39937412
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SAU-Net
爱CV
06-09 924
今天将分享Unet的改进模型SAU-Net，改进模型来自2020年的论文《SAU-Net Effient 3D Spine MRI Segmentation Using Inter-Slice Attention》，简单明了给大家分析理解该模型思想。 1、SAU-Net优点 医疗3D分割一般是通过3D卷积神经网络（CNN）利用空间信息来进行连续和准确的分割。但是3D CNN受限于更高的计算成本，内存和过拟合的风险，特别是对于医疗而言标记数据数量是有限。为了解决这些问题，论文作者采用注意力机制来利用切片间
Review Article Review of Stereo Matching Algorithms Based on Deep Learning
Chinese_OG的博客
04-22 330
基于深度学习的立体匹配算法综述（没看完） （1）非端到端（2）端到端（3）无监督 非端到端 限制：每个深度值下计算成本问题，有限的感受野无法推断出错误点，后续步骤还是依靠经验手动设置参数。 端到端：可生成高精度深度估计，但是在无纹理、详细结构的小物体和近边界处很难找到正确对应点。而且需要更大的存储器和相对费时，对应的地面真值训练和大量标记工作。 Kitti数据集是怎么来的，安装在车顶部的相机拍的，还有旋转激光扫描仪，测量地面真值，数据集包含真实的视差值可以用于训练，也可以给出精确度用来预测。评估指
ConvLSTM:使用Keras进行卷积LSTM进行视频分割
05-15
转换STM 使用Keras进行卷积LSTM进行视频分割。 数据应作为一组视频（mp4格式）在单独的文件夹中提供，并在文件名中带有后缀_label的相应分段掩码（扩展名之前）。 训练模型运行脚本 lstm_train_fcn.py 它将加载数据，将分辨率压缩4倍-输入的形状应分别为（W，D，C）（96,108,1）。 在这里，我只考虑1个通道，即黑白图像。 对于彩色图像，请更改形状。 在NVIDIA TitanX中，每1000帧视频序列的培训应该花费1个小时 使用卷积LSTM（中间）和仅卷积（顶部）进行超声视频序列和相应图像分割的示例
ConvLSTM precipitation of nowcasting
11-28
关于论文onvolutional-lstm-network-a-machine-learning-approach-for-precipitation-nowcasting的学习摘要
convlstm（论文解读）.pptx
05-22
本文简要地介绍了RNN以及其变体LSTM，着重介绍了施行健博士提出的ConvLSTM结构，以及其在预测降水方面的应用。
PDB-ConvLSTM: 用于视频显著性目标检测的金字塔扩张较深的ConvLSTM网络
librahfacebook的博客
02-11 3835
本文出自论文Pyramid Dilated Deeper ConvLSTM for Video Salient Object Detection, 主要提出了一个视频显著性目标检测模型，由PDC模块和PDB-ConvLSTM模块组成。 本文提出了一个快速的视频显著性目标检测模型，它基于一个新的递归网络架构，被命名为PDB-ConvLSTM。一个金字塔扩张卷积（PDC）模块被首次设计用于在多尺度...
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
qq_44747572的博客
12-02 3065
使用单帧标注，对视频进行分割。利用时间维度信息来推断空间信息。将传统FCN转化成时间-空间FCN。通过FCN语义分割网络，对时间信息建模。框架：通常将FCN+Lstm进行结合，对时间信息进行建模。一般学习时间信息的Lstm是将CHW的特征进行一维展品。这会导致空间信息的丢失。因此通过使用ConVLSTM可以保存维度不变。对CityScapes的每个数据选取30帧，其中，仅第20帧具有相对应的标签。训练输入：输入四幅连续的图像（第14、16、18、20帧），其中第20帧含有标签。
CNN + RNN（ConvLSTM2D）图像分割分类
热门推荐
Alex(常敦瑞)的博客
01-16 1万+
CNN+ConvLSTM2D 在网上找了很多版本,都没有自己想要的 在一个普通的U-net加Res上修改的 所以自己填坑踩坑再填坑,直接上代码和网络图,有问题讨论随时Call 训练网络主要用来做图像分割,加入LSTM为了让网络学习到长期依赖的信息 #-*- coding:utf-8 -*- "&q
基于深度学习的立体匹配
qq_33270279的博客
04-26 8158
目录基于深度学习的立体匹配1. 背景2. 解决方案2.1监督学习算法2.1.1 PSM-Net2.1.2 EdgeStereo2.1.3 GwcNet2.1.4 GA-Net2.1.5 SSPCV-Net2.1.6 WSM-Net3. 算法验证及落地思考3.1 算法的复现3.2 Middleburry v3 评估3.3 落地思考 基于深度学习的立体匹配 1. 背景 传统的立体匹配算法多围绕损失计算...
Bi-Directional ConvLSTM U-Net with Densley Connected Convolutions
a1424262219的博客
09-15 2593
Bi-Directional ConvLSTM U-Net with Densley Connected Convolutions ICCV workshop 2019 2019-09-1511:06:20 Paper:https://arxiv.org/pdf/1909.00166.pdf Code （Python 3 +Keras - tensorflow ba...
QG-ConvLSTM:论文的项目页面
05-28
QG-ConvLSTM：用于增强压缩视频的质量门控卷积LSTM 论文的项目页面： 杨仁，孙小燕，徐迈和曾文俊，“用于增强压缩视频的质量门控卷积LSTM”，在IEEE国际多媒体和博览会（ICME）会议上，2019年。 或 代码 测试代码 此代码是一个演示，用于在HEP以QP = 42压缩的BasketballBasicPass和RaceHorses序列上测试我们的模型。可以从以下位置下载原始序列和压缩序列： 请先下载原始序列和压缩序列，然后再运行 python test.py --name BasketballPass-帧500-高度240-宽度416 python test.py --name RaceHorses-框架300-高度240-宽度416 评估。 此处还提供了QP = 37时HEVC的训练模型。 生成feature.npy文件 如本文所述，我们利用与质量相关的功能
matlab人脸匹配代码-Meta-Learning-PaperReading:日常阅读笔记
05-23
matlab人脸匹配代码元学习论文阅读 日常阅读笔记 已阅读 不。 阿伯 标题 pdf格式 代码 简短的 1。 MTL 元转移学习，少量学习 元学习； 分类 2。 高手 ACE：适应不断变化的环境进行语义细分 DA; 元学习;终身学习; 分割 3。 国际航空运输协会 不断变化的环境中的增量对抗域适应 DA; 分割 4， ADDA重播 适应不断变化的领域 DA; 分类 5， 卡耐特 CANet：具有迭代细化和专心的少量学习的类无关的细分网络 少拍分割 未读 不。 阿伯 标题 pdf格式 代码 简短的 1。 网络 零和很少标签语义分割的语义投影网络 零射和少射； 分割 2。 MAML 与模型无关的元学习，可快速适应深度网络 元学习； 分类 3。 OML 在线元学习 在线的; 元学习分类 4， 元模拟 元模拟：学习生成合成数据集 概括 5， OMLA 通过元学习进行在线适应以进行立体声深度估计 概括 6， 爬虫 一阶元学习算法 元学习 7 CMA 不断变化的视觉域基于连续流形的适应 持续适应 8。 通过利用标记的功能和主动学习来进行在线域适应 在线适应 9。 通过对抗性数据增强泛化到看不见的
卷积LSTM代码
08-31
tensorflow 实现卷积LSTM，参见文章Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
DeepConvLSTM:基于卷积和LSTM递归层的可穿戴活动识别深度学习框架
05-15
深度转换 基于卷积和LSTM递归层的可穿戴活动识别的深度学习框架。 在此存储库中，展示了DeepConvLSTM的体系结构：一种基于卷积和LSTM循环单元的可穿戴活动识别的深层框架。 要获取该模型的详细说明，请查看论文“用于多峰可穿戴活动识别的深度卷积和LSTM递归神经网络”，为 DeepConvLSTM笔记本中包含运行模型的说明。
【毕业设计】基于 U-Net 网络的遥感图像语义分割 .zip
06-17
基于 U-Net 网络的遥感图像语义分割 一、研究目的 U-Net 是一种由全卷积神经网络启发的对称结构网络，在医疗影像分割领域取得了很好的效果。 此次研究尝试使用 U-Net 网络在对多光谱遥感影像数据集上进行训练，...
Lenet.zip_LeNet_5_Lenet-5_lenet_lenet字符识别_卷积神经 代码
07-14
卷积神经网络（lenet_5）代码,用于手写字符识别
python_python图像分割_end-to-end_医学图像分割_u-net_poetq54_源码
10-02
U-Net：用于生物医学图像分割的卷积网络提出了一种网络和培训策略，该策略依赖于数据增强的强大使用来更有效地使用可用的带注释的样本。该体系结构包括一个用于捕获上下文的收缩路径和一个能够实现精确定位的对称...
hingsiu_v78.zip_分割匹配_卷积图像分割_图像匹配卷积
07-15
意信号卷积的运算,并且绘制图象，完整的图像处理课设，包含所有源代码，汽车图像，粒子图像分割及匹配均为自行编制的子例程。
Image-segmentation.zip_卷积图像_图像分割_图像卷积_高斯卷积
07-15
图像分割:先对图像进行高斯编导，在进行卷积，显示图像！
基于 u-net 网络的遥感图像语义分割_郭子睿
最新发布
07-23
在遥感图像语义分割中，首先将训练样本标注为不同的类别，例如建筑物、道路、水体等。然后，利用 U-Net 网络进行训练，通过学习训练样本的特征来建立起不同类别之间的关联。此外，U-Net 网络还通过跳跃连接（skip ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值