语义分割
文章平均质量分 96
键盘强者
这个作者很懒,什么都没留下…
展开
-
重学语义分割之loss总结篇
目前遇到的loss大致可以分为四大类:基于分布的损失函数(Distribution-based),基于区域的损失函数(Region-based,),基于边界的损失函数(Boundary-based)和基于复合的损失函数(Compounded)。参考文章:语义分割中的 loss function 最全面汇总一文看尽15种语义分割损失函数(含代码解析)【损失函数合集】超详细的语义分割中的Loss大盘点医学影像分割—Dice LossPytorch tversky损失函数回归损失函数:Log-Co原创 2021-11-30 21:41:42 · 6051 阅读 · 0 评论 -
nnUNet在2D图像上的训练和测试的使用教程
写在前面的话本文是对nnUNet如何在2D数据上进行训练以及预测,是对几篇博文参考之后的总结,由于本人对nnUNet使用也是刚开始不久,所以对于nnUNet的理解肯定还停留在表层,所以原理上的东西就不多介绍了,更侧重于介绍其在2D数据上的使用流程。官方也有nnUNet训练2D数据的例子,一切以官方为准,本文仅作参考。本人的系统环境为:Ubuntu18.04,pytorch为:1.7.1+cu110。其余环境没有测试过。参考文章:保姆级教程:nnUnet在2维图像的训练和测试四:2020.07.2原创 2021-11-15 22:58:53 · 9474 阅读 · 11 评论 -
Attention UNet结构及pytorch实现
注意力机制可以说是深度学习研究领域上的一个热门领域,它在很多模型上都有着不错的表现,比如说BERT模型中的自注意力机制。本博客仅作为本人在看了一些Attention UNet相关文章后所作的笔记,希望能给各位带来一点思考,注意力机制是怎么被应用在医学图像分割的。参考文章:【语义分割系列:七】Attention Unet 论文阅读翻译笔记 医学图像 python实现医学图像分割-Attention Unet如果不知道什么是注意力机制,可以看看这篇博客:浅谈Attention-based Model【原创 2020-09-07 11:19:20 · 11461 阅读 · 5 评论