Deep learning for image classification

最新推荐文章于 2024-10-22 14:39:56 发布
转载 最新推荐文章于 2024-10-22 14:39:56 发布 · 1.6k 阅读 · 11

本文汇总了多种语义分割网络，包括U-Net、SegNet、DeepLab等，提供了丰富的开源实现链接，覆盖Keras、TensorFlow、PyTorch等多个框架，是语义分割领域的全面资源指南。
部署运行你感兴趣的模型镜像

转自github，感谢作者mrgloom的整理

链接：https://github.com/mrgloom/awesome-semantic-segmentation

 

Awesome Semantic Segmentation

Networks by architecture

Semantic segmentation

Instance aware segmentation

Weakly-supervised segmentation

RNN

GANS

Graphical Models (CRF, MRF)

Datasets:

Benchmarks

Starter code

Annotation Tools:

Results:

Metrics

Other lists

Medical image segmentation:

Satellite images segmentation

Video segmentation

Autonomous driving

Other

Networks by framework (Older list)

Papers and Code (Older list)

To look at

Blog posts, other:

--------------------- 本文来自 愿十四亿神州尽舜尧 的优快云 博客 ，全文地址请点击：https://blog.youkuaiyun.com/weixin_41783077/article/details/82020121?utm_source=copy

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

博士老牛
关注
图像分割二十年，盘点影响力最大的10篇论文（含论文和源代码）
迈微AI研习社 · 号主
09-28 3754
点击上方“迈微AI研习社”，选择“星标★”公众号 重磅干货，第一时间送达 迈微导读 图像分割（image segmentation）技术是计算机视觉领域的重要的研究方向，近些年，图像分割技术迅猛发展，在多个视觉研究领域都有着广泛的应用。本文盘点了近20年来影响力最大的 10 篇论文。 注：这里的影响力以Web of Science上显示的论文的引用量排序，截止时间为2020年9月27日。 -TOP10- Mask R-CNN 被引频次：1839 作者：Kaiming He，...
AI实战：github图像语义分割代码汇总
Zack的博客
11-14 1897
github图像语义分割代码汇总 Semantic segmentation U-Net (https://arxiv.org/pdf/1505.04597.pdf) https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/ (Caffe - Matlab) https://github.com/jocicmarko/ultrasound-nerve-segmentation (Keras) https://github.com/Edwar
Deep learning|Image Classification Base on CNN
qq_40776179的博客
04-07 426
Image Classification Base on CNN hello! everyone ,this time I build a network for image classification which base on CNN. The first step: Prepare data there are two datasets train and test. they both...
Group Based Deep Shared Feature Learning for Fine-grained Image Classification-笔记
雪碧橙子
10-16 557
身体原因耽误了很多天，更多是主观的堕落吧。力扣刷题可能要暂停了，毕竟论文还没有方向，需要认真搞了。 这是一篇预印刊的文章。 摘要 细粒度识别的难度在于：类间差异小，类内差异大。类间种类相似，所以长得都差不多，类内由于灯光角度等因素，相比较于类间差异，类内差异更大。现有的方法集中在寻找更好的深度特征提取器。我们的思路是：考虑到不同种类的图片会有着相似的感兴趣域，我们设计一个网络结构排除它们的影响，从而增强分类结果。【】我们对共享特征的建模是基于组的学习，将不同的类分成若干组，学习到多个共享的特征模式。我们.
论文学习Multi-Criteria Active Deep Learning for Image Classification - KBS-2019
DeniuHe的博客
04-30 299
创新点1：Informativeness Measure Under labeled Samples （1）作者通过密度度量无标记样本的富信息性： 我咋看不出这个指标跟密度有关呢？但我能看出来这个指标跟diversity有关。是diversity的反方向，因为加了一个符号。 也就是说这个指标越大，新选的样本与已标记样本挨得越近。 （2）作者给出了相似性指标来表征富信息性： 按照常理，新样本应该与已标记样本越不相似约好。但文章给出的公式是： 1减去到最远已标记样本的距离。这是如何做到关..
CV+Deep Learning——网络架构Pytorch复现系列——classification(三：MobileNet，ShuffleNet)
对方正在输入中...
08-08 1811
上一话CV+Deep Learning——网络架构Pytorch复现系列——classification(二)因为没人看，我想弃坑了...引言此系列重点在于复现（）中，以便初学者使用（浅入深出）！首先复现深度学习的经典分类网络模块，其中专门做目标检测的Backbone(10.，11.)但是它的主要目的是用来提取特征所以也放在这里，有：1.LeNet5(√，一)2.VGG(√，一)3.AlexNet(√，一)4.ResNet(√，一)5.ResNeXt(√，二).........
Cost-Effective Active Learning forDeep Image Classification阅读笔记
小鼠太郎的博客
11-27 1794
2016年的文章，总的来说其实亮点不多，但是有一个主动学习和无监督结合的一个方法挺引人注意的，放到现在可能有些过时。 简单放一下ppt，文献过于简单，不需要太多的笔记 这里强调的一个创新点是不光把置信度低的样本用上，连着置信度高的也用上了 简单的交叉熵实现已标记样本的对cnn的一个训练 低置信度，有点简单粗暴了 j1j2是最有可能的两种所属分类，如果比较相近，msi对应就比较低，那么就认定是这个样本处于两个类的边界上 取一个所有类的期望 ...
deep learning for image classification
09-16
深度学习用于图像分类 引言： 文章首先介绍了深度学习的概念，并且通过对几种深度学习子领域进行概述，特别介绍了卷积神经网络。在传统图像特征提取方法与深度学习技术进行比较之后，作者展示了他们使用受限...
Deep transfer learning for image classification: a survey简读
weixin_46782905的博客
06-14 830
Survey简读
论文分享Deep Multiple Instance Learning for Image Classification and Auto-Annotation（CVPR 2015）
最新发布
04-03
本文深入探讨了在缺乏精确标注的情况下如何有效学习视觉特征，提出利用多实例学习（Multiple Instance Learning，MIL）来处理图像和关键词的噪声问题，并通过深度学习在图像区域与关键词之间建立细粒度的对应关系。...
Deep Multiview Learning for Hyperspectral Image Classification
qq_37808565的博客
08-19 475
Deep Multiview Learning for Hyperspectral Image Classification
Deep Residual Learning for Image Recognition
u013049912的博客
10-22 1510
更深层次的神经网络更难训练。我们提出了一个残差学习框架，以简化比以前使用的网络更深的网络训练。我们明确地将层重新表示为参考层输入的学习残差函数，而不是学习未引用的函数。我们提供了全面的经验证据，表明这些残差网络更容易优化，并且可以通过显着增加的深度来获得准确性。在 ImageNet 数据集上，我们评估深度高达 152 层的残差网络，比 VGG 网络 [41] 深 8 倍，但复杂度仍然较低。这些残差网络的集合在 ImageNet 测试集上实现了 3.57% 的误​​差。
深度学习 图像分割开源代码（附链接，超级全） - yy2yy99的专栏 - 优快云博客.pdf
09-24
深度学习 图像分割开源代码（附链接，超级全）
【Active Learning - 03】Adaptive Active Learning for Image Classification
Houchaoqun_XMU的博客
04-26 3827
【2013-CVPR】Adaptive Active Learning for Image Classification 阅读时间： 20181023：摘要 20181024：Related Work 20181025：Uncertainty Measure、Information Density Measure、A Combination Framework 20181026：...
图像实例分割论文及代码汇总，持续更新中~~
不忘初心~
07-11 1504
转载请注明作者和出处： http://blog.youkuaiyun.com/john_bh/ 图像实例分割，持续更新中~~ 文章目录ECCV 2020CVPR 2020ICCV 2019CVPR 2019CVPR 2018ICCV 2017CVPR 2017NeuRIPS 2017ECCV 2016CVPR 2015 ECCV 2020 SOLO: Segmenting Objects by Locations SOLOv2:Dynamic, Faster and Stronger，Arxiv 03/2020 Co
Adaptive Active Learning for Image Classification 论文详解
GrinAndBearIt的博客
07-19 703
如果需要看主动学习简介可以看上一篇博文：https://blog.youkuaiyun.com/GrinAndBearIt/article/details/107447026 在计算机视觉领域，主动学习都是通过Uncertainty作为筛选样本的策略。如果未标注样本空间比较大，那么会存在挑选离群点的情况。论文中提出了information density和most uncertainty两种策略进行组合。然后筛选出critical instances给专家进行标注。 针对仅通过不确定性容易筛...
【Active Learning - 01】 2013_CVPR_Adaptive Active Learning for Image Classification 论文笔记
Lucifer_zzq的博客
10-22 873
主动学习阅读资料： 【Active Learning - 00】 主动学习概念/重要论文目录/重要代码&资源 【Active Learning - 01】 2013_CVPR_Adaptive Active Learning for Image Classification 论文笔记 --------------------------------------------------...
论文阅读《Deep Semantic Dictionary Learning for Multi-label Image Classification》
lzh666hhh的博客
08-16 1020
动机 一些利用类别语义信息的图像多标签分类模型只是使用语义信息作为视觉特征的补充或指导区分量词推导的辅助信息，而没有关注语义空间、语义空间和视觉空间之间的相互关系。 贡献 DSDL可以同时利用标签空间、语义空间和视觉空间； 针对深层语义词典学习，设计了一种新的训练策略，即交替参数更新策略（APUS)，它在正向传播和反向传播中交替更新表示系数和语义词典。 方法 Overview。该模型将多标签图像分类视为一个特质字典表示问题，利用类别的word embedding来生成语义词典，并将label em
SegNet分割模型解析（含详细代码及注释）
m0_63077499的博客
10-27 3087
SegNet分割模型解析（含详细代码及注释）
Deep Learning for Medical Image Analysis
02-08
### 深度学习在医学图像分析中的应用 #### 卷积神经网络(CNN) CNNs 是一种强大的工具用于医学图像分析，因为它们能够捕捉到复杂的医学影像空间依赖关系，这有助于区分性的图像分类任务[^1]。例如，在病理学中，CNN 可以被用来自动识别细胞结构并判断是否存在癌变迹象。 #### 循环神经网络(RNN) 和 长期短期记忆(LSTM) 对于时间序列数据或者需要考虑上下文信息的情况，RNN及其改进版本LSTM是非常有用的。这类模型可以在处理心脏监测信号、脑电图(EEG)等方面发挥重要作用，帮助预测疾病进展或诊断癫痫发作等事件[^3]。 #### 解决类别不平衡问题的方法 由于异常情况下的样本数量通常较少，因此存在类别不平衡的问题。为了应对这一挑战，可以通过特定的数据增强算法来增加稀有病例的数量，从而提高模型性能[^2]。 #### 泛化病灶探测器的应用实例 泛化病灶探测器（Universal Lesion Detectors），比如 DeepLesion 项目所展示的技术成果，已经被应用于全身 CT 扫描当中。该方法不仅限于某一部位而是覆盖全身体检范围内的病变检测工作，特别是针对腹部区域内的淋巴结肿大和其他类型的肿瘤进行了有效的识别与量化评估[^4]。 ```python import tensorflow as tf from tensorflow.keras import layers, models def create_cnn_model(input_shape=(None, None, 1)): model = models.Sequential() # Add Convolutional Layers with ReLU activation function and MaxPooling model.add(layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=input_shape)) model.add(layers.MaxPool2D(pool_size=(2, 2))) model.add(layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu')) model.add(layers.MaxPool2D(pool_size=(2, 2))) # Flatten layer followed by Dense Layer for Classification Output model.add(layers.Flatten()) model.add(layers.Dense(units=128, activation='relu')) # Final output layer depends on number of classes you want to predict. num_classes = ... # Define based on your dataset model.add(layers.Dense(num_classes, activation='softmax')) return model ``` 此代码片段展示了如何构建一个简单的 CNN 架构来进行二元或多类别的医学图像分类任务。
评论
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