Computer Vision
文章平均质量分 66
Computer Vision
目睹闰土刺猹的瓜
这是个很久远的事,在歌舞升平的城市...
展开
-
用于定位任务的指数距离变换图--Exponential Distance Transform Maps for Cell Localization
在医学图像分析领域,细胞定位是一个至关重要的任务,涉及在图像中精确预测细胞的位置。当前的定位方法使用基于卷积神经网络(CNN)模型和普通卷积来预测密度图。然后,通过局部最大搜索策略来处理这些密度图,以获得细胞的位置和数量信息。然而,这种方法存在三个主要问题。首先,基于普通卷积的CNN模型难以处理细胞颜色的显著变化。其次,密度图不能提供准确的细胞位置和梯度信息,尤其在密集区域,导致信息丢失。最后,密度图的后处理策略容易受到背景噪声和正负细胞之间的干扰。原创 2023-10-18 16:28:08 · 329 阅读 · 0 评论 -
基于多尺度超图的特征对齐网络--细胞定位
医学病理图像分析中的细胞定位是一项具有挑战性的任务,因为细胞的形状、大小和颜色变化显著。现有的定位方法继续分别应对这些挑战,经常面临这些困难相互交织并对模型性能产生不利影响的复杂情况。在本文中,首先将这些挑战重新界定为细胞图像和位置地图之间特征不对齐的问题,然后进行综合处理。具体而言,我们提出了一种基于多尺度超图注意网络的特征对齐模型。该模型将特征图中的局部区域视为节点,并利用可学习的相似性度量在不同尺度下构建超图。然后,我们利用超图卷积网络来汇总与节点相关的特征,并实现细胞图像和位置地图之间的特征对齐。原创 2023-10-18 13:02:47 · 472 阅读 · 0 评论 -
基于超图关联的人群密度分布学习: 人群计数结合超图神经网络:Hypergraph Crowd Counting
Hypergraph Association Weakly Supervised Crowd Counting提出了一种新的超图关联模块,通过编码特征之间的高阶关联来解决人群密度分布不均匀的问题,为解决这一问题开辟了新的方向。在多个数据集上的实验结果表明,我们的HACC模型取得了最新的结果。原创 2023-05-25 20:51:20 · 252 阅读 · 0 评论 -
图神经网络(GCN)与超图神经网络(HGN):区别与联系
先放论文:图神经网络(GCN):https://arxiv.org/pdf/1606.09375.pdfhttps://arxiv.org/pdf/1606.09375.pdf超图神经网络(HGN):https://arxiv.org/pdf/1809.09401.pdfhttps://arxiv.org/pdf/1809.09401.pdf两者区别总结:图卷积神经网络是卷积神经网络在图域上的自然推广,弥补了CNN中平移不变性在非矩阵结构数据上不适用的问题,使得网络能够对输入数据的图结.原创 2022-05-31 12:23:43 · 3472 阅读 · 0 评论 -
抛弃torch.cat,拥抱AFF
南航提出AFF:注意力特征融合,即插即用!可用于分类、检测和分割等torch.cat()特征堆叠。简单的堆叠不如用AFF注意力特征融合。涨点神器!南航提出AFF:注意力特征融合,即插即用!可用于分类、检测和分割等...原创 2021-11-13 10:36:04 · 1457 阅读 · 4 评论 -
理解CV中的transformer系列(Swin,VIT,DTER)
看了很多transformer的讲解,有人从RNN开始讲起,有人从自注意力开始讲起,但是很少有人从CV开始讲。所以本文收集了一些从CV角度出发来理解transformer的文章。Transformer在CV界火的原因是?_idol24的博客-CSDN博客https://www.jianshu.com/p/eb199b0fc98c要正统学习还是去跟李沐大佬:台大李宏毅21年机器学习课程 self-attention和transformer_哔哩哔哩_bilibili...原创 2021-11-08 12:19:52 · 4606 阅读 · 0 评论 -
计算机视觉算法实习生
贪心算法思路两步走:1、该问题的最优解是什么?2、按照什么原则将其分为子问题?3、子问题的最优解是什么?使用贪心算法的前提:1、原问题复杂度过高;2、求全局最优解的数学模型难以建立;3、求全局最优解的计算量过大;4、没有太大必要一定要求出全局最优解,“比较优”就可以。.........原创 2021-04-03 15:25:46 · 322 阅读 · 0 评论 -
YOLO V2 / 9000: Better, Faster, Stronger 深入理解
YOLOv2相对v1版本,在继续保持处理速度的基础上,从预测更准确(Better),速度更快(Faster),识别对象更多(Stronger)这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测9000种不同对象,称之为YOLO9000。关于YOLO v1的内容,请参考 YOLO v1深入理解。下面具体看下YOLO2都做了哪些改进。预测更准确(Better)论文[1]中给出了下面的改进...转载 2019-11-16 14:59:30 · 468 阅读 · 0 评论 -
YOLO V1(You Only Look Once: Unified, Real-Time Object Detection)深入理解
先推荐大家一篇文章:https://www.jianshu.com/p/cad68ca85e27 ,我觉得这位大佬写的通俗易懂,但是感觉不是很全,所以看了这篇文章之后我又去看了一下原文,特此记录。目标检测领域中,目前(2016)的方法大都是检测出目标后再对其进行分类,这是一个检测分类问题。YOLO则将目标检测定义为一个回归问题:将整张图片输入一个神经网络,得出预测的边界框和相关类概率。具体一点...原创 2019-11-14 16:52:06 · 271 阅读 · 0 评论 -
计算机视觉:卷积神经网络(4)
图像识别、目标检测、风格迁移人脸识别人脸验证(face verification)和人脸识别(face recognition)的区别:人脸验证:输入一张人脸图片,验证输出与模板是否为同一人,即一对一问题。人脸识别:输入一张人脸图片,验证输出是否为K个模板中的某一个,即一对多问题。One Shot Learning:数据库中每个人的训练样本只包含一张照片,然后训练一个CNN模型来进行人脸...原创 2019-10-29 15:45:17 · 238 阅读 · 2 评论 -
计算机视觉:卷积神经网络(3)
图像识别、目标检测、风格迁移目标检测标准的CNN分类模型,经过CONV卷积层后,Softmax层输出4 x 1向量:from IPython.display import Imagelibo="C:/Users/libo/Desktop/machine learning/卷积神经网络/CNN图片/"Image(filename = libo + "18.png", width=800, ...原创 2019-10-27 19:02:28 · 228 阅读 · 0 评论 -
计算机视觉:卷积神经网络(2)
很久以前看吴恩达老师的视频和西瓜书时用jupyter写的,今天想起来就把它转到这里,真的挺方便。图像识别、目标检测、风格迁移实例研究CNN经典模型:LeNet-5AlexNetVGGResNetLeNet-5:第一个成功应用于数字识别的卷积神经网络。典型的LeNet-5结构包含CONV layer,POOLlayer和FC layer,顺序一般是CONV layer->PO...原创 2019-10-27 18:55:45 · 241 阅读 · 0 评论 -
计算机视觉:卷积神经网络(1)
很久以前看吴恩达老师的视频和西瓜书时用jupyter写的,今天想起来就把它转到这里,真的挺方便。图像识别、目标检测、风格迁移参考:https://blog.csdn.net/red_stone1/article/details/78651063图像识别卷积解决的问题:传统神经网络输入维度太大,导致网络结构太复杂,数据量相对不够,则出现过拟合,以及计算量太大。每一张图片都是由3层(RGB)...原创 2019-10-27 18:50:46 · 231 阅读 · 0 评论