医图顶会 MICCAI‘23 | H-DenseFormer:多模态融合分割的高效混合密集连接Transformer

H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT Volumes Abstract 肝癌是导致癌症死亡的主要原因之一。为了辅助医生进行肝细胞癌的诊断和治疗规划,在临床实践中迫切需要一种准确、自动化的肝肿瘤分割方法。近年来,全卷积神经网络(FCNs),包括二维和三维的FCNs,成为许多体积图像分割的主干。**然而,二维卷积不能充分利用三维空间信息,而三维卷积计算成本高,GPU内存消耗大。**为了解决这些问题,我们提出了一种新的混合密集连接的UNet (H-Den... 阅读详情
AI摘要

本文介绍了H-DenseFormer论文,该论文提出用于多模态肿瘤分割的混合密集连接网络,结合CNN和Transformer,降低计算复杂度。还分享大模型AI学习方法,分初阶应用、高阶应用、模型训练、商业闭环四个阶段,并提供免费学习资料。

论文信息

题目:H-DenseFormer: An Efficient Hybrid Densely Connected Transformer for Multimodal Tumor Segmentation
H-DenseFormer:一种高效的混合密集连接Transformer用于多模态肿瘤分割
源码:https://github.com/shijun18/H-DenseFormer

论文创新点

  1. 混合密集连接网络(H-DenseFormer):作者提出了一种结合卷积神经网络(CNN)和Transformer结构的混合密集连接网络,用于多模态肿瘤分割。该网络通过集成Transformer的多路径并行嵌入(MPE)模块,能够处理任意数量的模态输入,从不同模态中提取融合特征。

  2. 轻量级密集连接Transformer(DCT)模块:作者设计了一个轻量级的DCT模块,以替代标准的Transformer模块,从而显著降低计算复杂度。DCT模块通过密集连接不同的Transformer层,在保持表示能力的同时减少了计算和内存需求。

  3. 多路径并行嵌入(MPE)模块:MPE模块为每个模态分配独立的编码路径,然后合并所有路径的语义特征并将其传递给分割网络的编码器。这种设计解耦了不同模态的特征表示,同时放宽了对特定模态数量的输入限制。

  4. 深度监督(DS)损失:作者在分割网络中引入了深度监督损失机制,通过多尺度输出参与最终损失计算,提高了网络的收敛速度和性能。该方法结合了Focal损失和Dice损失,以缓解像素不平衡问题。

摘要

近年来,深度学习方法在多模态医学图像的肿瘤分割中取得了显著成果。然而,大多数现有方法受限于表示能力不足、特定模态数量和高计算复杂度。本文提出了一种用于肿瘤分割的混合密集连接网络,称为H-DenseFormer,它结合了卷积神经网络(CNN)和Transformer结构的表示能力。具体来说,H-DenseFormer集成了一个基于Transformer的多路径并行嵌入(MPE)模块,可以接受任意数量的模态作为输入,从不同模态中提取融合特征。然后,将多模态融合特征传递到编码器的不同层次,以增强多模态学习表示。此外,我们设计了一个轻量级的密集连接Transformer(DCT)模块,以替代标准的Transformer模块,从而显著降低计算复杂度。我们在两个公共多模态数据集HECKTOR21和PI-CAI22上进行了广泛的实验。实验结果表明,我们提出的方法在具有较低计算复杂度的同时,优于现有的最先进方法。

关键字

肿瘤分割 · 多模态医学图像 · Transformer · 深度学习

2. 方法

2.1 H-DenseFormer的整体架构

图1展示了我们方法的整体架构。H-DenseFormer包括一个多路径并行嵌入(MPE)模块和一个U型分割骨干网络,采用输入级融合形式。前者作为多模态融合特征的辅助提取器,后者用于生成预测。具体来说,给定一个多模态图像输入或,具有的空间分辨率,深度维度(切片数量)和通道(模态数量),我们首先利用MPE提取和融合多模态图像特征。然后,将获得的特征逐步上采样并传递给分割网络的编码器,以增强语义表示。最后,分割网络生成多尺度输出,用于计算深度监督损失作为优化目标。

2.2 多路径并行嵌入

许多方法已经证明,解耦不同模态的特征表示有助于提取高质量的多模态特征。受此启发,我们设计了一个多路径并行嵌入(MPE)模块,以增强网络的表示能力。如图1所示,每个模态都有一个独立的编码路径,由一个补丁嵌入模块、堆叠的密集连接Transformer(DCT)模块和一个重塑操作组成。不同路径的独立性使得MPE能够处理任意数量的输入模态。此外,Transformer的引入提供了建模全局上下文信息的能力。给定输入,经过卷积嵌入和标记化后,获得的第路径特征为,其中,和分别表示路径大小和嵌入特征长度。首先,我们连接所有模态的特征,并使用卷积操作将其纠缠在一起。然后,进行插值上采样以获得多模态融合特征,其中表示通道维度。最后,逐步上采样到多个尺度,并传递给不同的编码器阶段,以增强学习表示。

2.3 密集连接Transformer

标准Transformer结构通常由与特征维度成正比的密集线性层组成。因此,集成Transformer可能会导致大量额外的计算和内存需求。缩短特征长度可以有效减少计算,但同时也削弱了表示能力。为了解决这个问题,我们提出了受DenseNet启发的密集连接Transformer(DCT)模块,以平衡计算成本和表示能力。图1详细展示了DCT模块,它由四个Transformer层和一个前馈层组成。每个Transformer层有一个线性投影层,将输入特征维度减少到以节省计算。不同的Transformer层密集连接,以较低的特征维度保持表示能力。最后的前馈层生成不同层的融合特征。

2.4 分割骨干网络

H-DenseFormer采用U型编码器-解码器结构作为其骨干网络。如图1所示,编码器逐步提取特征并降低其分辨率。为了保留更多细节,我们将最大下采样因子设置为8。来自MPE的多级多模态特征以逐位加法的方式融合,以丰富语义信息。解码器用于恢复特征的分辨率,由反卷积和卷积层组成,并与编码器进行跳跃连接。特别地,我们采用深度监督(DS)损失来提高收敛性,这意味着解码器的多尺度输出参与最终损失计算。

深度监督损失

在训练过程中,解码器有四个输出;例如,2D H-DenseFormer的第个输出为,其中,(肿瘤和背景)表示分割类别的数量。为了缓解像素不平衡问题,我们使用Focal损失和Dice损失的组合作为优化目标,定义如下:

其中,表示像素总数,和分别表示第个像素的预测概率和真实值,是调制因子。因此,DS损失可以计算如下:

其中,表示调整大小后的真实值,与具有相同的大小。是一个加权因子,用于控制不同尺度输出对应的损失比例。这种方法可以提高网络的收敛速度和性能。

3. 实验

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

MICCAI‘23 | H-DenseFormer:一种高效的混合密集连接Transformer用于多模态肿瘤分割 近年来,深度学习方法在多模态医学图像的肿瘤分割中取得了显著成果。然而,大多数现有方法受限于表示能力不足、特定模态数量和高计算复杂度。本文提出了一种用于肿瘤分割的混合密集连接网络,称为H-DenseFormer,它结合了卷积神经网络(CNN)和Transformer结构的表示能力。具体来说,H-DenseFormer集成了一个基于Transformer的多路径并行嵌入(MPE)模块,可以接受任意数量的模态作为输入,从不同模态中提取融合特征。然后,将多模态融合特征传递到编码器的不同层次,以增强多模态学习表示。 阅读详情

相关推荐

77、H-DenseFormer:用于多模态肿瘤分割的高效混合密集连接Transformer

本文提出了一种高效的混合模型H-DenseFormer,结合了卷积神经网络(CNN)和Transformer的优势,专门用于多模态肿瘤分割任务。通过引入多路径并行嵌入(MPE)模块和密集连接Transformer(DCT)模块,H-DenseFormer在保证计算效率的同时显著提升了分割性能。实验结果表明,该方法在HECKTOR21和PI-CAI22两个数据集上均优于现有先进方法,在Dice相似系数、Jaccard指数和95% Hausdorff距离等评估指标上表现优异。

agile9scrum的博客 86

MICCAI2023论文多模态论文速读-2

这一事实在目前的多模态方法中尚未得到充分的研究,目前的多模态方法是通过特征重构或盲特征聚合来恢复缺失模态的表示,而不是从表现最好的模态中提取有用的信息。此外,还引入了一种新的掩码图像策略,随机对图像的补丁进行 25% 的掩码,作为数据增强技术,以进一步提高模型的性能。在脑瘤分割数据集2018 (BraTS2018)上的实验表明,LCKD比其他方法有相当大的优势,提高了最先进的性能,提高了3.61%的增强肿瘤,5.99%的肿瘤核心,3.76%的整个肿瘤分割Dice score。使用类似MAE的方式预训练。

寸先生的AI道路 963

AI对战五子棋——深度学习策略网络

在本篇博文中,我们完成了:✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。

X2829352498的博客 51

多模态肿瘤分割神器:H-DenseFormer深度解析

多模态肿瘤分割神器:H-DenseFormer深度解析 项目介绍 在医疗影像领域,精准的肿瘤分割一直是医学研究的热点。MultiModal-Tumor-Seg 正是为此而生的一个开源项目,它围绕着创新模型 H-DenseFormer,利用多模态医学图像高效准确地进行肿瘤区域的自动识别与分割。这一工具包为研究人员和临床医生提供了一套强大的解决方案,旨在推进精准医疗的发展。 项目技术分析 H-De...

gitblog_00506的博客 507

CUDA编译踩坑实录:如何正确设置-gencode参数适配你的GPU算力

本文深入解析CUDA编译中-gencode参数的核心原理与实战配置,帮助开发者解决常见的'Unsupported gpu architecture'错误。通过厘清虚拟架构与真实架构的区别,并提供多版本兼容的CMake配置方案,确保编译出的代码能精准适配不同GPU算力,兼顾性能与广泛兼容性。

weixin_28829903的博客 339

ThingsBoard 仪表板状态

请先通过阅读仪表板概述和仪表板入门案例来熟悉ThingsBoard的仪表板。文章希望通过浅显的文字描述什么是仪表板状态及如何使用。 概念 状态功能使得仪表板可以分层,配合小部件的动作,实现多层仪表板之间的跳转.每个状态对应一个仪表板的图层 每个仪表板有一个默认的根状态, 根状态可以理解为默认状态, 也就是打开仪表板默认展示的仪表板图层.编辑模式下, 点击右上角的图标来管理状态.添加多个状态后左上角出现状态切换(图层切换)下拉列表可以通过选中根状态复选框切换新的默认展示的状态/图层配合小部件的动作,实现状

物联网三分钟 2311

H-DenseFormer 项目使用教程

H-DenseFormer 项目使用教程 1. 项目目录结构及介绍 H-DenseFormer/ ├── converter/ │ ├── __init__.py │ └── ... ├── data_utils/ │ ├── __init__.py │ └── ... ├── loss/ │ ├── __init__.py │ └── ... ├── models/ │ ...

gitblog_00766的博客 806

双向全桥隔离dc-dc变换器(DAB)

在全功率范围内,零电压开通优化调制方法能够实现双向全桥隔离dc-dc变换器所有开关的零电压开通,来提升变换器的效率,但其调制模式不连续。当变换器两端电压不匹配时,变换器的电流应力和回流功率将增加,软开关范围将变窄,变换器的效率显著降低。在轻载时,这两种电流优化调制方法采用相同的调制模式;在重载时,最小电流有效值调制方法具有两种调制模式,而最小电流应力调制方法只有一种。双向全桥隔离dc-dc变换器(DAB)和Buck/Boost不同,该变换器通过交流电感进行功率传输,其调制和控制不适合直接借鉴已有的研究。

m0_59329334的博客 3545

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 239

VMware 安装 Windows11

一、下载win11的镜像文件 可以在MSDN网站下载: MSDN系统库-致力于原版windows生态服务 二、创建虚拟机 1.双击打开VMware虚拟机,点击创建新的虚拟机 2.选择典型(推荐),然后点击下一步 3.在安装程序光盘映像文件下,点击浏览按钮,选择Windows 11ISO镜像文件所在的路径,在Windows 11安装文件路径中不要有中文或其他特殊符号,否则有可能引起错误。然后点击下一步 4.在选择客户机操作系统界...

m0_56015193的博客 7030

ITKMontage---ITK自动拼接模块

本文分享ITK中Remote中的ITKMontage拼接模块,希望对各位小伙伴有所帮助!1. ITKMontage介绍在医疗图像处理过程中,图像拼接有很多用处,比如DR图像的拼接。ITKMontage可以快速稳定的处理数据量较大的拼接图像。强度不均匀性校正配准全局优化融合2. ITKMontage安装ITKMontageITKMontage可脱离ITK进行单独安装,也可在ITK安装时作为模块进行安装。单独安装ITK模块安装在ITK编译时,选择ITKMontage模块。

qq_40041064的博客 451

Transformer 为什么能取代 RNN?从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 979

5步VS传统WinForm!AntdUI让界面设计从“土味”到“超模”只需30秒?

摘要:墨瑾轩编程教程《AntdUI的5大魔法步骤》详解如何将传统WinForm升级为现代化UI。教程通过5个核心步骤:安装AntdUI库、控件替换、主题定制、复杂布局构建及实战案例演示,对比传统开发与AntdUI在美观度(动态阴影/动画)、开发效率(拖拽组件VS手工绘制)和主题定制(一键换肤VS重写控件)的显著差异。使用C#代码示例展示按钮动画、3D翻转、聊天界面等特效实现,帮助开发者快速掌握这一基于Ant Design风格的WinForm增强框架。(150字)

java专栏 1129

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 158

kylinos-SP3的软件包降级到V10-SP1中的版本

如果想再次回退到原来版本,将repo改为原来的SP3版本,然后执行yum history 查看ID号,执行yum history rollback ID就可以恢复了。此时我们发现已安装的版本是1.32-2.ky10,而sp1网络源里的版本是1.30-11.ky10,我们将降级安装网络源中的低版本软件包。近期有个客户想要把kylinos-V10-sp3的软件包降级到kylinos-V10-SP1的版本。3、以tar包为例,查看已安装版本及网络源中其他版本。1、查看系统版本,确认是V10-SP3。

太极淘的博客 1103

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统(RT-DETR-L 模型)

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统,采用Django+Vue前后端架构,实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测,具备参数可调、数据可视化与统计分析功能,有效解决小目标漏检、误检及管理难问题,助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 232

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

图解循环神经网络(RNN)

RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。

技术管理两手抓,两手都要硬. 427

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

神经网络入门指南:从 CNN、RNN 到 Attention

神经网络的学习,本质是“预测—比较—纠错”的循环;CNN 通过局部连接与权重共享理解图像;RNN 通过隐藏状态传递上下文;LSTM 和 GRU 用门控机制管理记忆;Encoder–Decoder 把理解与生成拆成两个阶段;Attention 则让模型在每一步都能主动寻找最相关的信息。到这里,我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer,看看它如何摆脱 RNN 的顺序计算,又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 398

AI 学习第 15 课:变长序列不 pack 直接喂 RNN,隐状态全被 0 污染

NLP 的 batch 里句子长短不一,短句垫 0 补齐后直接喂 RNN,看似能跑,实际上每个 0 垫步都在更新隐状态——短序列的最后一步输出根本不是它真实句子的结果。这一课用 torch 2.15(

aifannihao的博客 161

CNN 卷积神经网络深度解析:卷积、池化与特征提取的底层原理

卷积核(Kernel),也叫滤波器(Filter),本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征:水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中,滤波器通常由人工设计。而在 CNN 中,卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 295

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似,从而直接估计出“谷底在哪”,而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”,LBFGS 还会看“最近几步坡度怎么变”,像用局部地形图来规划路线。训练 Transformer 时,有些层梯度大,有些层梯度小。如果用 Adam + L2,梯度大的参数反而可能被“少衰减”,正则效果不稳定;:你要下山,但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍,算出“绝对最陡”的方向才走一步。:还是下山,但这次你只问身边一个路人“哪边最陡”,然后就走。

技术管理两手抓,两手都要硬. 219

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 187

第 05/24 期:计算图与自动微分:深度学习如何计算梯度

本文系统阐述了神经网络训练中梯度计算的本质:损失对参数的敏感性。通过构建计算图,将复杂函数分解为基本运算,利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础,通过传播输出对中间变量的敏感性,高效求得所有参数梯度。相比前向模式,反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络,也广泛适用于任意可微程序。关键思想是:梯度是局部导数与上游敏感性的乘积,分支路径的贡献需累加,从而保证导数计算的正确性与效率。

weixin_47502228的博客 336

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 221

【深度学习项目实战·30】PM2.5短期预测:用LSTM构造没有未来信息的滑动窗口

本文基于北京PM2.5数据,使用LSTM实现从最近24小时历史观测预测下一小时PM2.5。重点解决时间切分、因果填补、滑动窗口构建与标准化等关键问题,确保模型仅依赖过去信息,避免未来泄漏。通过滚动单步预测与持续性基线对比,评估在原始单位下的MAE/RMSE,验证模型有效性。强调时间顺序与数据完整性,为时序预测提供可复现的实践框架。

银尘博客 519
上一篇: 一个接口,整合所有大语言模型,吴恩达开发的,你就说行不行吧?
下一篇: 企业级AI厂商的护城河在哪里?详细解读顶级VC的思路
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841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