- 博客(6)
- 收藏
- 关注
RSS订阅原创 【用于医学图像分割的轻量级边界感知Transformer】
BATFormer的整体架构如图2所示，包括一个轻量级U形主干网络和两个主要组件跨尺度全局Transformer (CGT)边界感知局部Transformer (BLT)这两个组件分别针对医学图像分割中遇到的计算复杂度高和边界失真问题进行了优化。
2024-12-05 21:32:55
855
1
原创 大选择核模块LSK，高效提升分割精度
方法：论文主要介绍了一种用于遥感目标检测的新方法，即大型选择性核网络（LSKNet）。LSKNet的整体架构基于最近流行的结构，并使用了重复的构建块。作者通过定义Rc作为期望选择RF区域与GT边界框区域的比例来研究每个目标类别的感受野范围。如果有想发表论文， 但是有疑惑的小伙伴，可以找我，本人已在这个模型的基础上进行了创新，并实现了大幅涨点，有需要的可以找我。
2024-11-29 11:13:30
583
2
原创 最大、平均、最小池化的作用和应用场景
最大池化（Max Pooling）、最小池化（Min Pooling）和平均池化（Average Pooling）是深度学习中常用的池化操作，主要用于减少特征图的空间维度，同时保留重要的特征信息。
2024-11-28 21:10:36
1227
原创 SFFNet：融合频域和空间域特征提升遥感语义分割效果
发表时间：2024本文提出了一种空间和频域融合网络（SFFNet）框架，旨在充分利用空间信息进行分割，并解决遥感图像分割中处理显著灰度变化区域的挑战。： 使用空间方法提取特征，获得具有充足空间细节和语义信息的特征。：将这些特征映射到空间和频域。在频域映射中，引入了小波变换特征分解器（WTFD）结构，利用Haar小波变换将特征分解为低频和高频成分，并与空间特征结合。为了弥合频域和空间特征之间的语义差距，促进不同表示域特征的有效组合，设计了多尺度双表示对齐滤波器（MDAF）。
2024-11-28 19:57:21
3123
2
原创 1×1卷积就是一个全连接的理解
1×1卷积的基本思想是通过一个1×1的卷积核来对输入张量进行操作。假设当前输入张量的维度为 64 ×64 ×192，卷积核的维度为 1×1 ×192。：通过1×1卷积可以减少后续大尺寸卷积核 (如 5 ×5）的计算量。例如，使用64个 1×1 ×192 的卷积核，可以将输入张量的通道数从192减少到64。假设输入张量的维度为 28 ×28 ×192，输出张量的维度为 28 ×28 × 32，卷积核的大小为 5 ×5。第一步：使用16个 1 ×1 × 192的卷积核将通道数从192减少到16。
2024-11-28 17:06:51
542
原创 一文读懂深度学习中常见的卷积操作
在计算机视觉中，卷积通常指的是二维卷积，用于处理图像等二维数据。卷积过程涉及一个称为卷积核（或滤波器）的小矩阵，该矩阵在输入数据（如图像）上滑动，并与每个位置的相应区域进行点乘后相加，生成新的数值作为输出的一部分。空洞卷积（Atrous Convolution），也被称为膨胀卷积（Dilated Convolution），是一种特殊的卷积操作，其主要特点是能够在不改变卷积核大小的情况下扩大感受野。其中，W1 是输入矩阵的宽度，K是卷积核的宽度，P是填充的宽度，S是步长，而W2则是输出矩阵的宽度。
2024-11-28 16:39:16
1571
Synapse医学图像分割公开数据集
2024-11-28
BUSI乳腺超声图像数据集
2024-11-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人