paper_图像分割
vi_wsc
这个作者很懒,什么都没留下…
展开
-
Adversarial learning for semi-supervised semantic segmentation
GAN生成对抗网络:由两个子网络组成,generator和discriminator,在训练过程中,这两个子网络进行着最小最大值机制,generator用随机向量输出一个目标数据分布的样例,discriminator从目标样例中区分出生成器生成的样例。generator通过后向传播混淆discriminator,依此generator生成与目标样例相似的样例。 这篇论文中,将generator换...翻译 2018-08-01 20:16:32 · 4786 阅读 · 2 评论 -
Adversarial learning with multi-scale loss for skin lesion segmentation
简介 这是一个端到端的对抗神经网络,即SegAN。generator是一个全卷积网络,并使用了一种新的激活函数。discriminator使用一个多层L1L1L_1损失(multi-scale L1L1L_1 loss),segmentor通过长或短范围的像素空间关系来学习全局和局部特征。使用的数据是ISIC2017(International Skin Imaging Collaboratio...翻译 2018-08-02 10:57:28 · 1342 阅读 · 4 评论 -
Generative adversarial networks to segment skin lesions
简介 这是一篇用GAN进行皮肤病变图的分割论文,由于皮肤病变图具有很大的可变性,因此给分割带来挑战,这里提出的方法包括两个models:一个合成精确的皮肤病变分割mask的全卷积网络,和一个区分合成的和真实的分割mask的全卷积网络。在我们的工作中,给出了一个训练集,generator/segmentor尝试输出与ground truth匹配的合成图,同时discriminator/critic...翻译 2018-08-07 11:50:24 · 428 阅读 · 0 评论 -
Adversarial synthesis learning enable segmentation without target modality ground truth
简介 基于深度学习的分割有一个关键的限制:缺乏普遍性。通常,当用不同的成像方式分割器官或从不同的疾病组分割异常器官时,一个人会手工标注新的训练图像。如果一个人能够从一种模式(例如,MRI)中重用手工标签来训练一种新的模式(例如,CT)的分割网络,那么手动的努力就可以减轻。在此之前,已有两种阶段方法被提出用于使用循环生成对抗网络(CycleGAN)来合成目标模式的训练图像。然后,这些努力训练了一个...翻译 2018-08-07 16:16:25 · 537 阅读 · 0 评论 -
DermoNet: Densely Linked Convolutional Neural Network for Efficient Skin Lesion Segmentation
简介 在这篇论文中,我们提出了一个有效的全卷积网络(CNN),叫DermoNet。用于皮肤损伤的分割,允许实时计算。在此多谢我们的密集连接全卷积块(densely connected convolutional blocks)和跳跃连接(skip connections)。网络层可以重新使用前面层的信息和确保后面网络层的高精度。 这篇论文的主要贡献: 将DenseNet转换为一个全卷积网络...翻译 2018-08-08 12:03:11 · 290 阅读 · 0 评论