![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
医学图像分割
文章平均质量分 87
一只慢慢飞的笨笨鸟
慢慢飞的笨笨鸟。
展开
-
医学图像分割之UNet++
最先进的图像分割模型是像FCN、U-Net一样,是编码层-解码层结构的变种。这种encoder-decoder结构有一个相同点:都有跳跃连接,将来自解码层的深的、语义的、粗粒度的特征图与来自编码层的浅的、低级的、细粒度的特征图进行组合。U-Net的跳跃连接,是直接在同层之间,将来自encoder的特征图与decoder的特征图进行了拼接,作者发现encoder的特征图与decoder的特征图内容差距太大,也就是作者提出的gap,将信息量差距大的特征图进行组合,组合后的特征图也会缺少一些细粒度信息。原创 2023-05-05 22:42:11 · 1315 阅读 · 2 评论 -
医学图像分割之U-Net
在过去两年中,在很多视觉识别任务重,深度卷积网络的表现优于当时最先进的方法。但这些深度卷积网络的发展受限于网络模型的大小以及训练数据集的规模。虽然这个限制有过突破,也是在更深的网络、更大的数据集中产生的更好的性能。卷积网络的典型使用是在图像分类任务上,即输入一个图像,输入该图像对应的一个标签。在很多视觉任务中,尤其是医学图像任务中,希望得到每个像素对应的类别以及定位,而不是一整个图像的类别。在医学图像分割中,还存在着训练集规模不大的问题。原创 2023-05-04 20:24:43 · 1056 阅读 · 0 评论 -
医学图像分割之Attention U-Net
为了捕获到足够大的、可接受的范围和语义上下文信息,在标准的CNN结构中,特征图被逐步下采样,以获得粗粒度的特征图,扩大感受野范围。粗粒度特征图能反应空间信息。虽然粗粒度特征图能在全局尺度上进行模型定位,反应组织间的关系,但是当目标是不同形状的小目标时,减少错正率保持着困难。原创 2023-05-01 21:26:58 · 1255 阅读 · 0 评论 -
医学图像分割之TransUNet
对TransUNet模型结构的介绍。原创 2023-04-20 15:01:35 · 5264 阅读 · 17 评论 -
UNet3+详解
UNet3+的详细结构及创新点的解读。原创 2022-07-18 15:30:17 · 16101 阅读 · 40 评论