深度学习
旧雨化碧
这个作者很懒,什么都没留下…
展开
-
使用多进程切割大量的图片
由于用到的数据集很庞大。昨天在服务器上跑了一夜,早上来了发现仍然切了三分之一不到。晚上抽空试了一下使用多进程来切割图像。切割图像的函数还是使用之前的函数。只是根据mask的标记不能,相对应的代码也有所不同。import numpyimport openslideimport osfrom PIL import Imageimport pandas as pdimport numpy as npimport csvfrom multiprocessing import Managerfr原创 2020-07-07 20:30:09 · 412 阅读 · 1 评论 -
医学图像九分类
解决上一次九分类存在的问题1.将所有图片名和图片的类别存在一个csv文件中,name对应图片的名字,label对应图片的标签。def generate_csv(path,type,csv_path): with open(csv_path,'w',newline='') as csvfile: svwriter=csv.writer(csvfile,dialect="excel") svwriter.writerow(['name', 'label'])原创 2020-06-20 16:34:44 · 1398 阅读 · 2 评论 -
医学图像九分类
在上一次分类的基础上将二分类扩展为九分类。切割图片为2000*2000,space=2000,按类别放在patch文件夹中。要将整个数据集划分为训练集和测试集。下面是两种方法划分数据集:方法1:将源文件夹和目标文件夹相互对应起来,根据图片在文件夹中的位置索引,来判断是放在训练集,还是测试集。import osimport shutilpath="/home/cad429/code/yue/Week2/patch"name_list=os.listdir(path)print(name_l原创 2020-06-15 11:09:31 · 3398 阅读 · 0 评论 -
resnet18病理图像二分类
简介简单的数字病理图像分类。首先将分为三个数据集,训练集,验证集,和测试集。这三个数据集由同一种类不同的图片切割组合。训练集由两个图片切割的小图片组成 ,验证集由另一个该类别的图片切割的小图片组成,测试集由另一个该类别的图片切割的小图片组成。在训练集中类别1的有24张,类别0的有29张。测试集中包含15张有病的图片,一张没有标记的图片。利用resnet18对这些图片进行二分类。图片的剪裁由于病理图像很大,需要对其进行剪裁。病理图像为.svs图片,很大,我们需要借助openslide来处理这些图像。病原创 2020-06-06 14:34:07 · 6810 阅读 · 4 评论 -
神经网络输出可视化
神经网络可视化经典的方法有两种,分别是反卷积和导向反向传播。反卷积和导向反向传播都是基于反向传播。下面我们来看反卷积和导向反向传播的特点以及例子:上图为反卷积和导向反向传播在经过relu层时对梯度采取的不同的方法。导向反向传播:通过修改RELU的梯度反传,使小于0的部分不反传,这样到达第一个conv层的梯度就是对后面relu激活起作用的梯度,对应的就是对网络起作用的区域。以上的两种方法,我...原创 2019-11-23 15:56:25 · 2220 阅读 · 0 评论 -
图像分割 UNET RNN
图像分割:就是把图像分成若干个特定的,具有独特性质的区域,并提取出感兴趣目标的技术。基于深度学习的图像分割主要有三种类型:语义分割,实例分割以及全景分割。本文主要介绍语义分割。语义分割就是对图像的每一个像素所属的类别进行标注,只关心每个像素的类别。就是输入一个RGB图或者灰度图,经过一系列变换之后,输出一个相同大小的图,并且标注了图中每一个像素的类别。在语义分割中运用到的技术:(1)上采样。上...原创 2019-11-22 16:35:46 · 2047 阅读 · 0 评论 -
Alexnet网络与Vgg网络
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Ma...原创 2019-09-18 13:52:46 · 1215 阅读 · 0 评论 -
Inception系列
Goodlenet网络提升网络的性能最直接的方法就是增加网络的宽度和网络的深度。但是会产生过参数太多,过拟合现象,梯度消失以及产生巨大的计算量。引入了Inception模块,使用1x1的卷积来进行升降维,在多个尺寸上同时进行卷积再聚合。通过多个卷积核提取图像不同尺度的信息,最后进行融合,可以得到图像更好的特征。将1x1,3x3,5x5的conv和3x3的pooling,堆叠在一起。原始版本...原创 2019-10-08 16:07:39 · 268 阅读 · 0 评论 -
Resnet与densenet
Resnet网络:非常深度的网络在增加更多层时会表现得更差ResNet 的认为:直接映射是难以学习的,他们提出了一种修正方法:不再学习从 x 到 H(x) 的基本映射关系,而是学习这两者之间的差异,也就是残差(residual)。然后,为了计算 H(x),我们只需要将这个残差加到输入上即可。假设残差为 F(x)=H(x)-x,网络不会直接学习 H(x) 了,而是学习 F(x)+x。ResN...原创 2019-10-30 15:42:43 · 1084 阅读 · 0 评论