<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[HXZ009的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/HXZ009</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; HXZ009]]></copyright><item><title><![CDATA[A1: CVPR2019   A Simple Pooling-Based  Design for Real-Time Salient Object Detection]]></title><link>https://blog.youkuaiyun.com/HXZ009/article/details/103337256</link><guid>https://blog.youkuaiyun.com/HXZ009/article/details/103337256</guid><author>HXZ009</author><pubDate>Sun, 01 Dec 2019 18:26:20 +0800</pubDate><description><![CDATA[A Simple Pooling-Based Design for Real-Time Salient Object Detection
该文章来自于2019CVPR . https://arxiv.org/abs/1904.09569
code:http://mmcheng.net/poolnet/
文章的主要亮点在于构建了两个基于池化的多尺度有效特征提取融合模块.
在FPA 的基础上,为了给不...]]></description><category></category></item><item><title><![CDATA[Linux 下Cmake+ITK+ANTs安装配置（Could not find ZLIB）]]></title><link>https://blog.youkuaiyun.com/HXZ009/article/details/99470699</link><guid>https://blog.youkuaiyun.com/HXZ009/article/details/99470699</guid><author>HXZ009</author><pubDate>Tue, 13 Aug 2019 20:56:11 +0800</pubDate><description><![CDATA[Cmake 安装
 下载地址：https://cmake.org/download/
   cd /home
  mkdir Cmake
  cd Cmake
  cd camke-3.15.1
 下载到想安装的文件夹后对其利用：tar zxvf  cmake-3.15.1.tar.gz ，进行解压 
  ./configure
  make
  make install
  
  然后进行环境变...]]></description><category></category></item><item><title><![CDATA[3维数据增强]]></title><link>https://blog.youkuaiyun.com/HXZ009/article/details/89437469</link><guid>https://blog.youkuaiyun.com/HXZ009/article/details/89437469</guid><author>HXZ009</author><pubDate>Sun, 21 Apr 2019 19:16:18 +0800</pubDate><description><![CDATA[3D数据增强
在医学影像处理过程之中，由于医学影像研究通常是小数据集，故在深度学习研究上，往往会由于样本量太少，而导致在进行深度学习的训练过程之中易于出现过拟合的情况。此时，一些通过对已有图像进行某种变换而产生某种意义上的同族新图像。这样从某种程度上，数据集就得以扩增。尽可能的减少过拟合发生的概率。
1.旋转 rotate
我在进行3D图像旋转时，所参考的是二维的图像旋转方法，但在进行操作过程之中...]]></description><category></category></item><item><title><![CDATA[1.Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test-Time Augmentation]]></title><link>https://blog.youkuaiyun.com/HXZ009/article/details/88751943</link><guid>https://blog.youkuaiyun.com/HXZ009/article/details/88751943</guid><author>HXZ009</author><pubDate>Fri, 22 Mar 2019 22:00:52 +0800</pubDate><description><![CDATA[创新点：
test-time augmentation 改进行CNNs的性能  以训练时间换更好的预测鲁棒性
Dataset:
本文所采用的数据集是Brats2018
预处理:
主要做了图像归一化
设备：
训练时采用TITAN X
数据增强处理：
归一化、3D旋转，翻转，缩放和添加随机噪声。
Baseline:
3DUnet
2.5DWNet:权衡了感受野、模型复杂性、和存储开销网络中使用了空洞卷...]]></description><category></category></item><item><title><![CDATA[Learning Contextual and Attentive Information for Brain Tumor Segmentation]]></title><link>https://blog.youkuaiyun.com/HXZ009/article/details/88751547</link><guid>https://blog.youkuaiyun.com/HXZ009/article/details/88751547</guid><author>HXZ009</author><pubDate>Fri, 22 Mar 2019 21:40:25 +0800</pubDate><description><![CDATA[摘要
本文提出了一个单通多任务网络，组合多个不同的CNNs结构，综合它们的分割结果来获取一个更为精确的最终分割结果。
Dataset
:本文采用的数据集是Brats2018
结果
本文在Valiation数据集上取得了79.22、90.74、83.58的dice
数据处理
本文对于数据所进行的处理就是对每张图像分别进行了图像归一化

方法：
将多分类任务分成三个不同但又相关的子任务来处理类别不平衡...]]></description><category></category></item><item><title><![CDATA[keras之多类损失函数categorical_crossentropy]]></title><link>https://blog.youkuaiyun.com/HXZ009/article/details/88656832</link><guid>https://blog.youkuaiyun.com/HXZ009/article/details/88656832</guid><author>HXZ009</author><pubDate>Tue, 19 Mar 2019 10:43:25 +0800</pubDate><description><![CDATA[categorical_crossentropy
在网络中使用categorical_crossentropy损失函数时，你训练网络所使用的m个类别的标签值应当是经过矢量化后的m维向量，其中向量一个索引为1，其余索引为0，对应一个类别。这样类别被向量化，和神经网络训练出来的m个概率值对应，概率值最大的那个输出所对应的向量，其所代表的标签即为该次所得。
One-hot 标签向量化：keras中可使用...]]></description><category></category></item><item><title><![CDATA[数据归一化方法]]></title><link>https://blog.youkuaiyun.com/HXZ009/article/details/87344019</link><guid>https://blog.youkuaiyun.com/HXZ009/article/details/87344019</guid><author>HXZ009</author><pubDate>Fri, 15 Feb 2019 10:11:33 +0800</pubDate><description><![CDATA[数据归一化方法
1）min-max标准化
也叫做离差标准化，是一种对原始数据样本的 线性变换处理，让样本从原本的值通过映射转化为0～1之间的值。
NorSample=(Sample-min)/(max-min)
其中，min为样本中的最小值，max为样本中的最大值。
优点是：简单易行，容易理解实现
缺点是：数据样本不能频繁的变更，一旦有新的样本加入时，max,min需要重新进行定义。
2 ）z-s...]]></description><category></category></item><item><title><![CDATA[visual studio 2015 + ITK+Cmake安装配置]]></title><link>https://blog.youkuaiyun.com/HXZ009/article/details/86409364</link><guid>https://blog.youkuaiyun.com/HXZ009/article/details/86409364</guid><author>HXZ009</author><pubDate>Sun, 13 Jan 2019 10:42:42 +0800</pubDate><description><![CDATA[visual studio 2015 + ITK+Cmake安装配置
最近为了跟进课题研究不得不用上ITK这个图像处理常用医疗库。在进行新版本安装时遇到路不少的坑，而对于这方面的全面的安装说明寥寥无几。在多方面查阅资料，亲身趟过多个坑之后，将过程记录如下，希望对有需要的人有点帮助。    ITK（ Insight Segmentation and Registration Toolkit）是美国国...]]></description><category></category></item></channel></rss>