l2181265的博客

损失函数Cross Entropy LossDice LossIoU LossFocal LossBoundary Loss1、Cross Entropy LossLCE=−∑i=1Ny(i)logy^(i)+(1−y(i))log(1−y^(i))L_{CE} = - \sum_{i=1}^N y^{(i)}log\hat{y}^{(i)} + (1-y^{(i)})log(1-\hat{y}^{(i)})LCE​=−i=1∑N​y(i)logy^​(i)+(1−y(i))log(1

参考：MONAI Projectmonai是一款基于pytorch的深度学习开源框架，主要用于医学图像的处理（分类、分割等）。主要优点：集成性好，训练速度快，涵盖当今流行的分类/分割网络。（更多优点待探索）缺点：对硬件要求较高，处理3D图像时，电脑配置太低就算了。安装MONAI推荐安装方式：git clone https://github.com/Project-MONAI/MONAI.gitcd MONAI/pip install -r requirements-dev.txtAPI

混淆矩阵(Confusion Matrix)label poslabel negpred posTPFPpred negFNTNTP(真正例)：预测+ 实际+FP(假正例)：预测+ 实际-TN(真负例)：预测- 实际-FN(假负例)：预测- 实际+Precision(精确率，P)P=TPTP+FPP= \frac {TP} {TP+FP}P=TP+FPTP​TPR(真正例率，灵敏度，Sensitivity，召回率，Recall)TPR=TPT

激活函数1.sigmoid函数σ(x)=11+e−x \sigma(x) = \frac{1}{1+e^{-x}}\,σ(x)=1+e−x1​过去反向传播很流行使用，但随着神经网络层数增加，反向传播过程中会出现梯度消失。sigmoid函数导数梯度消失：反向传播利用的是梯度下降法，反向传播时，每经过一个sigmoid层，就需要乘以一个小于0.25的梯度（也就是sigmoid函数的导数），随着神经网络层数增加，梯度会越来越小，最后梯度衰减到接近0，即梯度消失。2.tanh函数tanh⁡

ENet（efficient）更加高效的分割网络，基于ResNet网络生成的。1+2、介绍语义分割对于理解图像的内容和寻找目标对象具有重要意义。（1）SegNet，编码器是普通的CNN，用于对输入进行分类；解码器用于对编码器的输出进行上采样（upsample）。架构庞大，参数较多，导致推理速度较慢。（2）FCN（3）其他现有的体系结构使用更简单的分类器，然后将它们与条件随机场(CRF)...

Atrous（Dilated）Atrous，也叫convolution with holes（空洞卷积或扩张卷积），和pooling相比，atrous convolution也是下采样，只是采样的位置是固定的，可以更好的保持空间结构信息。此处引入一个扩充率参数（dilated rate），用来控制扩张（空洞填充）的大小。池化在增大感受野（接受域）会丢失空间结构信息，而空洞卷积在增大感受野的同时，...

第一步：加载数据import tensorflow as tfimport osimport numpy as npimport scipy.ioos.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’ #close the warningscipy.io–调用读取matlab数据开启警告通知os.environ[‘TF_CPP_MIN_LOG_LEVEL’...

1、下载anaconda3.5.0.1------python3.6.3版本，3.6.0版本调用pytorch会出问题。。anaconda下载地址2、配置pytorch1.4.0 & torchvision0.5.0。。pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/si

论文：https://arxiv.org/abs/1905.02716该论文主要提出了两个模块：PCD对齐模块和TSA融合模块。背景：过去的视频恢复被视为简单的图像复原（视频和图像的处理还是有区别的），相邻帧的时间冗余没有充分利用。PCD模块金字塔级联和可变形模块（PCD，pyramid cascading deformable）使用Deformable卷积在特征级别将每个相邻帧对齐...

DCN论文的贡献是提出Deformable Conv。论文创新：1、Deformable Conv2、Deformable ROI pooling背景深度学习对图像处理往往需要大量的数据集训练，是因为我们需要让网络学习到所有可能存在的情况，所以我们采用了数据增强的方法，如旋转、左右移、上下移、裁剪等操作。但是针对图像目标尺度、姿态、角度、局部的变形等情况，基于经典卷积固定的几何结构，我...

定义网络：import torch.nn as nnimport torch.nn.functional as Fclass Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.con...

图像分割方法（二）基于深度学习的方法，12个主流分割网络，参考12篇文章带你逛遍主流分割网络