针对超大规模病理图像分析!华中科技大学提出医学图像分割模型,提高干燥综合征诊断准确性

[医学分割大模型系列] (3) SAM-Med3D 分割大模型详解 发表日期:2023年10月。 阅读详情

口干、眼干、皮肤干,每天伴有不明原因的肌肉酸痛和全身乏力,如果以上症状你「中招」了,除了考虑冬季天气干燥外,还应该警惕一种常见却总是被我们忽视的疾病——干燥综合征 (Sjögren’s Syndrome, SS)。

干燥综合征是以外分泌腺高度淋巴细胞浸润为特征的自身免疫性疾病, 在我国约有 500 万人患上此病。病症初期,外分泌腺(唾液腺、泪腺等)被高度浸润的淋巴细胞破坏,导致其功能减退,患者常常会感到口干、眼干,还可能伴有双肩关节酸痛等症状。与此同时,该病还会累及其他重要器官,比如肺、肝、肾脏,甚至影响生育。

在这里插入图片描述

图源:SLE解忧杂货铺

尽早发现并诊断干燥综合征至关重要,其中,局灶性淋巴细胞性唾液腺炎 (FLS) 是干燥综合征诊断的重要标准之一。通过获取患者的小唾液腺病理切片,并对其进行显微镜检查,依据现有的诊断标准,如果在每 4 平方毫米的组织样本中发现了超过 50 个淋巴细胞聚集,则认定其为典型的病灶特征。

然而,一张完整的病理扫描图像可达 10 万*10 万像素,约有 10 亿个像素点,医生需要仔细检查整幅图像并判断淋巴细胞聚集灶的个数,这不仅耗时,还常常依赖于专业医生的经验和主观判断,增加了误诊或漏诊的风险。

为了解决上述挑战,华中科技大学凃巍教授、陆枫教授等,利用在自动驾驶、面部识别等领域耳熟能详计算机视觉技术,提出了医学图像分割模型 M2CF-Net, 通过融合多分辨率和多尺度的图像识别技术,M2CF-Net 模型不仅能「看到」病理图像中的细微差别,还能精确定位和计数那些关键的生物标记——淋巴细胞聚集灶,帮助医生做出更快速、更准确的诊断。

研究成果以「M2CF-Net: A Multi-Resolution and Multi-Scale Cross Fusion Network for Segmenting Pathology Lesion of the Focal Lymphocytic Sialadenitis」为题,发表在 2023 IEEE International Conference on Medical Artificial Intelligence (MedAI) 上。

研究亮点:

  • 解决了超大规模组织病理图像中难以识别微小淋巴细胞聚集灶的问题

  • 融合多分辨率与多尺度,M2CF-Net 性能优于其他 3 种主流医学图像语义分割模型

  • M2CF-Net 在处理边界模糊、目标较小、纹理复杂的图像方面表现出色,其分割的图像具有更复杂的形状,与人类标注的实况非常吻合

在这里插入图片描述

论文地址:
https://doi.ieeecomputersociety.org/10.1109/MedAI59581.2023.00063

开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读,并提供海量数据集与工具:

https://github.com/hyperai/awesome-ai4s

数据集:来自同济医院临床数据

本研究选用来自同济医院的一组小唾液腺病理切片数据集, 其中,小唾液腺是从患有原发性干燥综合征的病人身上切除的。
*小唾液腺分布在人体口腔和咽部黏膜下,作用是分泌唾液,维持口腔湿润、帮助消化、保护口腔组织免受感染等。

通过对小唾液腺病理切片进行染色,医生们可以用显微镜观察细胞的清晰结构。具体而言,研究人员对所有切片进行复查,确保其质量,并确认是否存在局灶性淋巴细胞性咽炎,病灶的特征是腺体周围每 4 平方毫米有超过 50 个淋巴细胞聚集。若患有病灶,则对其进行标注。

最后确定的数据集有 203 个样本,其中正样本 171 个(符合病灶特征),负样本 32 个(不符合病灶特征)。 研究人员将这些样本按照一定比例分为训练集、验证集、测试集,分别用于模型的训练、调整和性能评估。在实际过程中,研究人员对数据进行预处理,既减少了计算量,又提高了模型的泛化能力。

设计超大规模图像处理流水线,优化模型训练第一步

该研究的目标是从分辨率为 100,000 *100,000 的小唾液腺组织切片图中,提取局灶性淋巴细胞性唾液腺炎 (FLS) 的病变区域。然而,将千兆像素的图像直接输入神经网络进行训练是不可能的,主要是因为这种图像过大,计算资源、训练时长、现有框架等不足以支撑。

因此,研究人员设计了一套针对超大规模病理图像处理的流水线。 该流水线主要包括 3 个步骤:感兴趣区域 (Regions of Interest, ROI) 提取、染色标准化 (Stain Normalization)、图像分块 (WSl Patching)。如下图所示:

在这里插入图片描述

针对超大规模病理图像处理的流水线

第一部分,ROI 提取
为了提高病理图像中特定组织区域的识别准确性,研究人员最初使用了基于卷积神经网络 (CNN) 的分类器。然而,该分类器在处理气泡、碎裂组织和伪影等复杂特征时遇到了困难,导致其表现未达预期。为解决这一问题,研究团队采取了以下措施:

  • 手动注释:对一部分样本进行了细致的注释,丰富数据集后重新训练分类模型。

  • 数据增强:采用旋转、缩放和平移等技术提高训练数据的多样性,从而提升分类器的准确性。

第二部分,染色标准化
病理图像染色标准化的主要目的是确保不同来源的图像拥有一致的视觉色彩和对比度。具体而言,由于染色剂浓度、pH 值、温度和时间等因素的影响,实际染色过程中常出现染色不均匀或强度不一致的问题,导致相同类型的组织呈现出不同的视觉效果。这种差异会影响计算机视觉模型的准确性。

为解决此问题,研究人员采用了 Vahadane 算法。该算法通过调整源图像的染色特征,使其与目标图像相似,从而实现染色标准化的效果。具体来说,它计算源图像和目标图像之间的颜色矩阵变换,实现源图像的颜色变换。

第三部分,图像分块
为了应对经过 ROI 提取和染色标准化后图像尺寸仍过大,导致样本无法输入深度学习模型进行训练的问题。研究人员采用了基于 Patch 的训练方法,将图像切分为带有重叠区域的小块,这不仅提高了模型训练效率,还保留了原始信息。

为了分析较大导管附近细小淋巴细胞的详细特征,需要在较大视野范围上捕捉组织级别的特征。然而,为了保证分割结果的精确性,又需要在较小的视野范围上捕捉细胞级别的特征。如何权衡这两者之间的关系显得尤为重要。

为此,研究人员考虑了多分辨率下的图片分块方法,主要是将原始图像进行几次降采样,在这些降采样的图像上分别提取相同尺寸大小的图像块。这些从不同采样倍率图像上切分的 Patch 就有了不同大小的视野范围,既能捕捉到组织级别特征,又兼顾了细胞级别特征。

多分辨率与多尺度的融合模型,性能高效提升

研究人员选用的模型 M2CF-Net 包含多分支编码器 (Multi-branch Encoder) 和基于融合的级联解码器 (Fusion-based Cascaded Decoder)。 编码器在不同尺度上对不同分辨率斑块的特征进行下采样,而解码器则使用级联融合块来融合多分支编码器生成的特征图。

在这里插入图片描述

M2CF-Net 网络架构

具体而言,为了同时获取组织级别和细胞级别的特征,研究人员设计了一个多分支网络,该网络是典型的 Encoder-Decoder 架构模型,能够接受不同分辨率的图像作为输入。其中,Encoder 包括 3 个输入分支,分别接受不同大小的分辨率图像,并在编码过程中,分别产生不同视野范围的特征图组合。而 Decoder 则能够将 Encoder 产生的特征图组合利用级联的 Fusion Block 融合起来,输出最终的预测图。

在这个过程中,研究人员也利用了空间注意力和通道注意力机制,来增强输入特征的表征能力。最后使用 BCEDice Loss 作为模型的损失函数,该损失函数权衡了二值交叉熵损失和 Dice 损失,可以有效指导模型的优化方向。

实验结论:M2CF-Net 性能优于其他 3 种主流医学图像语义分割模型

研究人员将其所提模型 (M2CF-Net 与其他 4 个流行的医学图像语义分割模型进行对比——UNet、MSNet、HookNet 和 TransUNet。结果发现,M2CF-Net 模型在利用多分辨率和多尺度特征方面更具优势。

  • UNet:采用编码器-解码器结构,捕捉多尺度特征以进行精确分割

  • MSNet:引入多尺度减法网络,以加强特征提取并提高分割的准确性

  • HookNet:加入 Hook 来捕捉和利用多分辨率特征,增强 U-Net 结构,有效处理医学图像中各种尺寸图像的分割

  • TransUNet:基于 Transformer,通过引入自注意力机制来提高分割精度

如下图所示,研究人员发现 M2CF-Net 的 Dice 为 69.40%,达到最高,而且其参数量只有性能第三的 TransUNet 的一半,比参数量少的 UNet 和 MSNet 的性能分别提高 38.9% 和 22.5%,能有效地捕捉和融合图像中不同尺度的特征。

在这里插入图片描述

不同模型的性能比较

具体而言,M2CF-Net 的参数数量 (Params) 比 TransUNet 和 HookNet 少,但多于 UNet 和 MSNet。这是因为 TransUNet 基于 Transformer 架构,与 CNN 相比拥有更多的参数,单分支解码器使 M2CF-Net 的参数数量少于 HookNet。然而,与单分支输入网络相比,M2CF-Net 中的多分支编码器结构导致了更高的参数数量。

此外,经过深入分析,研究发现 M2CF-Net 在处理边界模糊、目标较小、纹理复杂的图像方面表现出色。如下图所示,M2CF-Net 的分割结果具有更复杂的形状,这与人类标注的实况非常吻合。

在这里插入图片描述

级联融合块中特征图和空间注意力的可视化GT 表示由医生手动标注的SA (f2) 表示由特征图 f2 生成的空间注意力热图

计算机视觉技术革新医学图像分割

医学图像分析对于疾病诊断至关重要,通过计算机技术可以实现对医学图像的精确分割,有效识别病变区域、人体器官以及感染部位,从而提升诊断效率。近年来,得益于深度学习等先进技术的进步,医学图像分割技术正快速从依赖手动操作转向自动化处理,经过专门训练的 AI 系统现已成为了医疗专业人员不可或缺的辅助工具。

华中科技大学同济医学院附属同济医院风湿免疫科副主任凃巍教授, 拥有超过 20 年的风湿免疫疾病诊疗经验,在干燥综合征方面具有丰富的诊断经验。在本文的研究中,凃巍教授深入解析了干燥综合征的病理学诊断流程,并指出了其中容易混淆的关键点,通过实际案例展示了不同情况下的诊断结果。掌握了干燥综合症的病理学诊断方法后,陆枫教授的团队提出了利用计算机视觉中的图像分割技术来应对诊断挑战。 双方借助先进的 AI 技术,为干燥综合征的诊断开辟了新的路径。
凃巍教授个人主页:
https://www.tjh.com.cn/MedicalService/outpatient_doctor.html?codenum=101110

陆枫教授个人主页:
http://faculty.hust.edu.cn/lufeng2/zh_CN/index.htm

除了上述提到的科研人员,还有很多科学家致力于对医学图像与 AI 交叉领域的前沿研究。

例如,美国麻省理工学院计算机科学与人工智能实验室 (MIT CSAIL) 团队联合麻省总医院 (Massachusetts General Hospital) 和哈佛医学院 (Harvard Medical School) 的研究人员,提出了一种用于交互式生物医学图像分割的通用模型 ScribblePrompt。 这种基于神经网络的分割工具,不仅支持注释人员使用涂鸦、点击和边界框等不同的注释方式来进行灵活的生物医学图像分割任务,对于未经训练的标签和图像类型同样表现出色。

相信随着更多先进技术被开发并应用于临床实践,肿瘤学、神经病学等多个医学分支都将受益,医学图像分析领域将迎来更加光明的发展前景。

医学图像分割模型:U-Net详解及实战 2015年U-Net的出现使得原先需要数千个带注释的数据才能进行训练的深度学习神经网络大大减少了训练所需要的数据量,并且其针对神经网络在图像分割上的应用开创了先河。当时神经网络在图像分类任务上已经有了较好的成果,但在很多视觉的任务中由于输出需要进行定位,也就是每个像素需要分配一个类标签,这导致成千上万的训练图像在生物医学任务中通常难以获得,从而急需要一个神经网络,它不需要那么多的数据来进行训练却依旧有较好的效果,这就导致了U-Net的诞生。U-Net几乎是当前segmentation项目中应用最广的模型。 阅读详情

相关推荐

【大作业-07】手把手教你用UNet做医学图像分割系统

兄弟们好呀,这里是肆十二,这转眼间寒假就要过完了,相信大家的毕设也要准备动手了吧,作为一名大作业区的UP主,也该蹭波热度了,之前关于图像分类和目标检测我们都出了相应的教程,所以这期内容我们搞波新的,我们用Unet来做医学图像分割。我们将会以皮肤病的数据作为示范,训练一个皮肤病分割的模型出来,用户输入图像,模型可以自动分割去皮肤病的区域和正常的区域。 B站讲解视频: 优快云博客: 代码地址:unet_42: 基于Unet的医学影像分割系统 (gitee.com) 处理好的数据集和训练好的模型: 更多相关的

dejahu的博客 12万+

通用医学图像分割模型UniverSeg

通用医学图像分割

白景屹的博客 4707

Python爬虫实战:逆向解析央视频加密参数(附完整代码)

本文详细解析了央视频加密体系的技术实现,通过Python逆向工程实战演示如何解密动态密钥、AES加密和自定义哈希算法等核心组件。文章提供完整代码示例,涵盖GUID生成、参数构造和异步请求处理,帮助开发者掌握现代视频平台的反爬机制破解方法。

weixin_42532473的博客 1135

[医学分割大模型系列] (1) SAM 分割大模型解析

[TOC]([医学大模型系列] (1) SAM 分割大模型解析)

qq_38736504的博客 2907

用Verilog搭出RISC-V架构单周期CPU

这是笔者学校暑期学期的必修课,难度并不高(仅追求及格的话),但相当耗时,对于在硬件设计方面完全不感冒的同学更是一场避不开的折磨,所以笔者想通过自己的成果和被折磨经验来帮助有此方面需求的同学,或是对于CPU设计有浓厚兴趣的人。

paticita的博客 1万+

Abaqus SIGTERM/SIGINT中断问题深度解析与实战解决方案

本文深度解析Abaqus仿真计算中因SIGTERM或SIGINT信号导致作业意外终止的常见问题。核心原因常为许可证管理器因网络通信延迟误判进程空闲而强制断开,或系统资源监控工具的误杀。文章提供了从命令行参数调优(如使用int、ask_delete=OFF)、计算环境隔离到编写自动化容错脚本的完整实战解决方案,帮助用户彻底规避此类中断,确保长时间仿真任务的稳定运行。

weixin_29279101的博客 416

经典语义分割(二)医学图像分割模型UNet

经典语义分割(二)医学图像分割模型UNet

qq_44665283的博客 2万+

无线通信基础:调制与解调技术_(42).7.3.2多进制频移键控解调(MFSK解调)

MFSK解调是一种通过频谱分析和频率检测来恢复数字信号的技术。本文介绍了MFSK解调的基本原理,包括信号接收、频谱分析、频率检测和符号判决。在实际应用中,噪声会对解调性能产生影响,因此引入了信噪比优化和多步判决方法来提高解调的准确性。通过性能评估,可以更好地理解MFSK解调在不同噪声环境下的表现。这些方法和技术为MFSK在实际通信系统中的应用提供了理论和实践基础。

2401_87715305的博客 1321

MedSAM通用医学分割基础模型(2023+Segment Anything in Medical Images)

MedSAM,这是为通用医学图像分割设计的首个基础模型。利用包含超过一百万张图像的精心策划的数据集的力量,MedSAM不仅优于现有的最先进的分割基础模型,而且表现出与专业模型相当甚至更好的性能。此外,MedSAM能够精确提取用于肿瘤负荷量化的基本生物标志物。

weixin_39699362的博客 5758

一层一责,一聚合一包:DDD分层架构下的微服务代码模型、三重边界与服务数据协作

领域模型画得再清楚,落不进代码也是空谈。本文以一个可运行的客户中心微服务为线索,先对比整洁架构、六边形架构与DDD分层架构,指出三者共同守护的那条隔离核心业务的红线;再把DDD分层落成四个一级目录、以聚合为单位分包、一个聚合一个仓储的代码模型,拆解实体、聚合根、值对象、领域事件、领域服务与仓储的设计要点;随后厘清逻辑、物理、代码三重边界,并用检查器实测:干净代码零越界,拆出积分聚合时领域代码无需改动;注入九处越界后,必须先重构才能拆分。最后梳理服务调用三场景与PO、DO、DTO、VO的协作。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 177万+

ncode控件使用总结

数据格式txt转s3t #HEADER #TITLES Absolute_Time,COG_Ax,COG_Ay,COG_Az,LF_SPINDLE_AZ #UNITS ,g,g,g,g, #DATATYPES Double,Float,Float,Float,Float #DATA 2. 导入s3t数据 3. 输入数据控件 直接拖入数据源或者添加控件数据 4.

技术联盟 2007

【SAM医学分割】MedSAM分割医学图像中的任何内容

医学影像分割是临床实践中的重要组成部分,有助于准确诊断、制定治疗计划和监测疾病。然而,现有的方法通常针对特定的模式或疾病类型,在各种医学图像分割任务中缺乏通用性。本文介绍 MedSAM,这是一个基础模型,旨在通过实现通用医学影像分割来缩小这一差距。该模型是在一个大规模医学图像数据集上开发的,该数据集包含 1,570,263 个图像掩膜对,涵盖 10 种成像模式和 30 多种癌症类型。并对 86 个内部验证任务和 60 个外部验证任务进行了全面评估,结果表明该模型的准确性和鲁棒性优于按模式划分的专业模型。通过

qq_43583311的博客 2689

Pre-suite 开发之MFi功能搭建

Pre-suite 固件中只有带无线硬件的Ezairo 7160sl才具备无线通信能力,其无线功能包括标准BLE 5.2 低功耗蓝牙功能以及非标准的低功耗无线音频流功能。Ezairo 7160sl 支持3种低功耗无线音频流协议:来自APPLE的MFi,来自Google的ASHA以及来自onsemi的remote mic。其中MFi音频流走的G.722编码的Mode1,速率为64kbps;而非MFi音频流走的G.722的Mode3,速率为48kbps.

SnowYang2017的博客 1506

UniverSeg:通用医学图像分割模型来了!

自从今年以来ChatGPT爆火和GPT-4的发布,一时间在大模型的潮流下,通用人工智能(AGI)也呼之欲出。随着本月初SAM和SegGPT等通用的CV大模型的提出,大模型和通用模型这把火也逐渐烧到的CV领域,特别是图像分割领域。很多做分割方向的小伙伴自我调侃说一觉醒来,自己的方向没了。笔者所在的医学影像行业,一直以数据和高成本标注而筑起非常高的领域壁垒。几个月前要是有人跟我说想做一个医学影像的通用...

weixin_37737254的博客 7173

从零到一:ESP32与豆包大模型的RTC连续对话实现指南

文本实现ESP32S3 SparkBot与豆包大模型的RTC连续对话

举世誉之而不加劝,举世非之而不加沮,定乎内外之分,辩乎荣辱之境,斯已矣。 4370

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

【论文笔记】基于U-Net的医学图像分割模型nnU-Net(no-new U-Net)

本文是 nnU-Net 论文的笔记,稍微做了整合了一下,可能有些地方有所遗漏,等以后看完代码之后再补充。 1. 摘要 nnU-Net(no-new-Net)是基于 U-Net 的一种模型,它在达到很好的效果的同时还实现了自适应(self-adapting)的功能。在不同数据集(或不同的部位)的医学图像上进行分割时,往往需要具有不同结构的网络和不同的训练方案,自适应是指模型在对不同的数据集进行训练...

zuzhiang的博客 5024

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

机器学习&图像分割——模型评价总结(含完整代码)

机器学习&图像分割——模型评价总结(含完整代码) 模型评价的方法指标有很多,如:PR-curve,MAE,ROC,Precision,Recall,AUC,AP,mAP,DSI,VOE,RVD等等; 本文旨在介绍机器学习&图像...

GeekZW的博客 3万+

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

U-net —— 一种在医学领域应用的图像分割网络模型

今天要讲的模型属于深度学习(准确地说应该是卷积神经网络)在医学图像领域的应用,主要参考了一篇2015年的paper《U-Net: Convolutional Networks for Biomedical Image Segmentation》,正好通过这篇paper的学习来了解一下深度学习到底在图像问题领域是怎样运作的。 我之前接触过简单的深度学习在图像领域的应用,就是对于手写数字1-9的识别...

guoyuhaoaaa的博客 8626

【图像分割】医学图像分割多目标分割(多分类)实践

文章目录1. 数据集2. 数据预处理3. 代码部分3.1 训练集和验证集划分3.2 数据加载和处理3.3 One-hot 工具函数3.4 网络模型3.5 模型权重初始化3.6 损失函数3.7 模型评价指标3.8 训练3.9 模型验证3.10 实验结果 1. 数据集 来自ISICDM 2019 临床数据分析挑战赛的基于磁共振成像的膀胱内外壁分割与肿瘤检测数据集。 (原始数据) (ground truth) 灰度值:灰色128为膀胱内外壁,白色255为肿瘤。 任务是要同时分割出膀胱内外壁和肿瘤部分,加上背景

lynnhgwang的博客 3万+

医学图像分割模型的常用loss

下面是学习unet时候搜集的数据 1.交叉熵损失函数-cross entropy 二分类交叉熵损失函数binary_crossentropy 其中,N为像素点个数,y_{i}为输入实例x_{i} ​的真实类别,\hat{y}_{i}为预测输入实例 x_{i} 属于类别 1 的概率. 对所有样本的对数损失表示对每个样本的对数损失的平均值, 对于完美的分类器, 对数损失为 0。 ...

Loong Cheng的博客 5830

医学图像分割方法及卷积神经网络在医学图像分割上的应用

(最开始接触医学图像分割时写的综述,写的比较幼稚,传上来的时候格式可能有些乱。需要原文的小伙伴可以加我qq:604395564联系,也欢迎做医学图像处理的小伙伴一起交流学习。自己写的,欢迎转载,但请注明出处哦^_^)     摘 要 医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展,如可视化、三维重建等,而且在...

愿十四亿神州尽舜尧 4万+

目标检测 16 道高频思考题全解——从 Faster R-CNN 到 YOLO v1 的复习手册

无论哪个版本,loss、输出形状、一次前向都只反映训练/前向过程,真正衡量检测好坏仍要靠独立验证集上的 Precision、Recall、AP、mAP——这是模型"检得准不准"的唯一可靠口径。随机初始化的 RPN 可能没提出与真实实例 IoU 达标(≥0.5)的正 RoI,那么即使图像里有有效 mask,这个 batch 也没有可用的正样本 RoI,loss 自然为 0。课程项目用的是 7×7 网格。把"在哪里"和"是什么"分开,每个候选区域都能拿到充分的特征计算资源做精细分类与回归,精度天花板更高。

anew___的博客 290

料箱抓取中的背面点:按面板读懂一张坐标可视化

料箱抓取画面里的背面点,是 HccePose(BF) 根据已知物体的 RGB 外观预测出的模型表面坐标。读图时把正面坐标、背面坐标和最后的位姿投影沿着同一个物体对照,才能看出各个中间结果在表达什么。

weixin_42605076的博客 369

目标检测上机实战手册——四套环境、COCO 数据坑与训练闭环验证全清单

跑目标检测项目,难的不是"看懂原理",而是"跑通并确认它真的跑对了"。这份手册把 Faster R-CNN、Mask R-CNN、YOLO v3、YOLO v1 四个上机项目里所有工程层面的坑一次性整理出来:环境怎么隔离、COCO 标注怎么转、训练一 batch 到底在验证什么、哪些数字能看哪些不能信。

anew___的博客 185
上一篇: 单卡 A6000 一键启动 AlphaFold3 教程上线!360 度运动捕捉数据集发布,含超 7 万个视频、50 种实体对象
下一篇: 未来具身智能的触觉革命!TactEdge传感器让机器人具备精细触觉感知,实现织物缺陷检测、灵巧操作控制
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值