![](https://img-blog.csdnimg.cn/20190927151043371.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
计算机视觉
文章平均质量分 93
计算机视觉
AI研习星球
算法辅导、论文辅导、4V1辅导、核心期刊,SCI论文,EI会议、期刊、论文带读、本硕毕业论文。
展开
-
计算机视觉-06-LeNet-5 的 PyTorch 复现CIFAR10(包含数据和代码)
LeNet-5 网络本是用来识别 MNIST 数据集的,下面我们来将 LeNet-5 应用到一个比较复杂的例子,识别 CIFAR-10 数据集。CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。原创 2023-12-11 15:30:00 · 1274 阅读 · 0 评论 -
计算机视觉-05-目标检测:LeNet的PyTorch复现(MNIST手写数据集篇)(包含数据和代码)
创建模型,部署gpu#定义优化器#训练模型, 启用 BatchNormalization 和 Dropout, 将BatchNormalization和Dropout置为Truetotal = 0#enumerate迭代已加载的数据集,同时获取数据和数据下标#把模型部署到device上#初始化梯度#保存训练结果#计算损失和#多分类情况通常使用cross_entropy(交叉熵损失函数), 而对于二分类问题, 通常使用sigmod#获取最大概率的预测结果。原创 2023-12-10 09:24:44 · 814 阅读 · 0 评论 -
计算机视觉-04-医学图像眼球数据分割(包含数据和代码)
这次实验用来学习UNet网络实现图像分割(keras, backend: tensorflow)。数据集DRIVE:为眼部图像,目的是分割出眼部血管。上面分别是训练的原始图片images、first_manual、mask。前期准备:将所有图片写入h5文件,(为了后期训练网络时减少io时间)训练网络获取训练图片和groundtruth图片读取hdf5文件,获取img array预处理所有的img提取patches构建model,并训练。原创 2023-12-09 08:30:00 · 1161 阅读 · 0 评论 -
计算机视觉-03-使用U-Net实现肾脏CT分割(包含数据和代码)
每年有超过 400,000 例新发肾癌病例,手术是其最常见的治疗方法。由于肾脏和肾脏肿瘤形态的多样性,目前人们对肿瘤形态如何与手术结果相关 ,以及开发先进的手术计划技术 非常感兴趣。自动语义分割是这些工作的一个很有前途的工具,但形态异质性使其成为一个难题。这一挑战的目标是加速可靠的肾脏和肾脏肿瘤语义分割方法的发展。我们已经为 300 名在我们机构接受部分或根治性肾切除术的独特肾癌患者的动脉期腹部 CT 扫描生成了真实语义分割。原创 2023-12-08 09:25:51 · 722 阅读 · 0 评论 -
计算机视觉-02-基于U-Net的肝脏肿瘤分割(包含数据和代码)
第一阶段分割出腹部图像中的肝脏,作为第二阶段的ROI(region of interest)第二阶段利用ROI对腹部图像进行裁剪,裁剪后的非ROI区域变成黑色,作为该阶段输入,分割出肝脏中的肿瘤。第三阶段用随机场的后处理方法进行优化。分割出CT腹部图像的肝脏区域。实验用到的数据为3Dircadb,即腹部的CT图。一个病人为一个文件夹。原创 2023-12-06 14:58:33 · 2292 阅读 · 0 评论 -
计算机视觉-01-基于SegNet和U-Net的遥感图像语义分割(包含代码和数据)
基于SegNet和U-Net进行对遥感图像语义分割。首先介绍一下数据,我们这次采用的数据集是CCF大数据比赛提供的数据(2015年中国南方某城市的高清遥感图像),这是一个小数据集,里面包含了5张带标注的大尺寸RGB遥感图像(尺寸范围从3000×3000到6000×6000),里面一共标注了4类物体,植被(标记1)、建筑(标记2)、水体(标记3)、道路(标记4)以及其他(标记0)。原创 2023-12-05 14:03:06 · 769 阅读 · 0 评论