dcxhun3的博客

EfiicientDet既快又准的检测算法实战关于EfficientDet 算法收集的信息关于EfficientDet 算法的架构再补充一点复合缩放的内容动手做实验训练开始关于EfficientDet 算法收集的信息paper链接，由谷歌出品，必属精品，建议小伙伴们啃一啃paper。非官方keras开源代码,目前还没有官方开源代码，在github上有大佬开源了，也有pytorch版本的，需要...

从ImageNet和CNN说起图像的分类和识别一直是计算机视觉的热门研究领域，在医学图像领域，很多方法也都是从计算机视觉领域借鉴过来的，而计算机视觉的许多方法又离不开机器学习和人工智能的基础。在典型的图像分类和识别问题中，通常有两个重要的步骤，一个是特征提取，常见的有GLCM, HOG, LBP, Haar Wavelet, 一个是分类器， 例如SVM, Random Forest

通过对caffe已有模型进行finetune 实现医学图像CT肺 结节的预测与检测，并实现可视化

Faster-R-CNN算法由两大模块组成：1.PRN候选框提取模块 2.Fast R-CNN检测模块。其中，RPN是全卷积神经网络，用于提取候选框；Fast R-CNN基于RPN提取的proposal检测并识别proposal中的目标。 在 学习Faster-RCNN (py-faster-rcnn demo)的基础上 用自己的数据训练 这里选择的是CT肺数据，关于数据处理方面的问题参照我博客 ：

如上一篇博文所提到用ImageNet图像来帮助医学图像的识别，但是ImageNet里面的图像（二维，彩色）没有医学图像，包含一些诸如鸟类、猫、狗、直升机等物体的识别，与医学图像（二维或三维，非彩色）相差很大。对此Le Lu大神于2016年3月份发表了一篇文章Deep Convolutional Neural Networks for Computer-Aided Detection: CNN

深度学习在医学影像的三大类项目应用医学影像的分类医学影像的检测医学影像的分割关于数据方面的补充深度学习在医学影像的应用项目目前主要几种在三个方面：分类、检测和分割。下面我就我所接触的这三个方面所用的一些方法以及一些经验进行阐述医学影像的分类常见的应用场景就是分类有没有某一类疾病？比如通过胸片判断该胸片是否有尘肺，等一系胸部疾病。最热门的就是大佬吴恩达曾经发布了一个大型数据集，14类胸部疾病的...