python
关注
分享
扫一扫
我真不会写代码
机器学习，深度学习，医学影像处理
展开
-
非极大值抑制（NMS Non-Maximum Suppresion）
什么是非极大值抑制？顾名思义就是搜索局部最大值，通常在目标检测中出现。如何使用非极大值抑制？非极大值抑制的流程如下： 实际上这是一个迭代的过程， ①选取了置信度最大的边框， ②计算①中选取的边框与其周围边框的重合面积（IOU）。 ③通过选定合适的阈值删除重合面积较大的周围边框。 ④从剩下的边框中选取置信度最大的边框，重复以上步骤，直到无剩下的边框。得到边框的置信度：...原创 2020-10-28 10:23:15 · 255 阅读 · 0 评论 -
数据分析与挖掘-挖掘建模
经过数据探索与数据的预处理，得到了可以用于建模的数据。更加挖掘目标和数据的形式可以建立分类与预测、聚类分析、关联规则、时序模式和偏差检测等模式。常见的分类与预测算法：回归分析：回归分析是通过建立模型来演技变量之间相互关系的密切程度、结构状态及进行模型预测的一种有效工具。、聚类分析：聚类分析实在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。常见的聚类方法：关联规则：目的是在一个数据集中原创 2020-09-30 09:08:41 · 1820 阅读 · 0 评论 -
数据分析与挖掘（数据预处理）
在数据挖掘中，海量的原始数据存在着大量不完整（有缺失）、不一致、又异常的数据，影响数据挖掘建模的执行效率，甚至导致数据挖掘失败，所以数据的预处理尤为重要。一、数据清洗主要是删除原始数据中的无关数据、重复数据、噪声数据等，处理缺失值、异常值。处理缺失值的方法分为三类；删除数据、数据插补、不处理。其中插补方法包括：均值、中位数、众数、使用固定值、最近邻插值、回归方法、插值法等等异常值处理：在处理异常值时，有可能有些异常值蕴含着有用的信息。常见的异常值处理方法包括：删除异常值的记录、视为缺原创 2020-09-29 11:23:01 · 1309 阅读 · 0 评论 -
Pandas中的DataFrame的基本操作
DataFrame是Pandas中的一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型等)，DataFrame即有行索引也有列索引，可以被看做是由Series组成的字典。创建DataFrame：df.values 返回ndarray类型的对象 df.index 获取行索引 df.columns 获取列索引 df.axes 获取行及列索引 df.head(i) 显示前 i 行数据原创 2020-09-04 11:22:16 · 234 阅读 · 0 评论 -
Pandas中的Series
一、什么是PandasPandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算）；用于数据挖掘和数据分析，同时也提供数据清洗功能。二、Pandas的两大利器①DataFrame是Pandas中的一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型等)，DataFrame即有行索引也有列索引，可以被看做是由Series组成的字典。②它是一种类似于一维数组的对象，是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标原创 2020-09-04 10:29:09 · 767 阅读 · 0 评论 -
Scale-wise Convolution for Image Restoration AAAI2020
Scale-wise Convolution for Image Restoration摘要虽然尺度不变建模在很大程度上提高了视觉识别任务的性能，但在基于深度网络的图像恢复中仍有很大的不足。将这些尺度不变的技术(例如，多尺度测试、随机尺度数据扩充)直接地应用于图像恢复任务，通常会导致较差的性...原创 2020-02-13 11:24:33 · 823 阅读 · 0 评论 -
Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination
Motivation： 对于单图像超分辨率利用客观的损失函数无法重建出真实的精细纹理和细节，而这些对于感知质量至关重要。通过生成增强纹理来正强感知质量，会生成虚假细节，通常使得图像看起来不自然。整体思路： 提出了一种新的方法来重建具有高感知质量的真实的超分辨图像，同时保持结果的自然性。研究了SISR问题的域先验性质，在低阶域定义了自然先验，并在自然流形中约束了输出图像，最终生成更自然、更真实的...原创 2020-02-12 10:21:56 · 498 阅读 · 0 评论 -
Image Super-Resolution by Neural Texture Transfer(CVPR2019)
Motivation：基于参考图像的图像超分方法具有很大的潜力，但是当参考图像和LR图像不够相似时，或者未对齐时，图像的超分效果就会很差。整体思路： 本文旨在利用来之参考图像的更多纹理信息来释放RefSR的潜力，即是在不提供相关的Ref图象时，也具有很强的鲁棒性。将RefSR问题形式化为神经纹理迁移问题，设计了端到端的模型，将Ref图像的纹理自适应的迁移，从而丰富HR图像细节，且在神经空间执行...原创 2020-02-12 10:20:15 · 508 阅读 · 0 评论 -
Second-order Attention Network for Single Image Super-Resolution（CVPR2019）
Motivation：现有的基于深度卷积神经网络的方法主要专注于设计更深或者更宽的网络结构，却很少挖掘层间特征的相关性，从而降低了卷积神经网络的学习能力.整体思路：提出了一个二阶注意力网络(SAN)来实现更强大的特征表达和特征相关学习。提出了一种新的可训练的二阶通道注意力(SOCA)模块，进行相关性学习。提出了一种非局部增强的残差组(NLRG)结构，捕获远距离空间上下文信息。Github地...原创 2020-02-12 10:16:22 · 5202 阅读 · 4 评论 -
ICCV2019 Kernel Modeling Super-Resolution on Real Low-Resolution Images
Kernel Modeling Super-Resolution on Real Low-Resolution Images整体流程： 使用暗通道先验[19]来简单有效地估计自然图像的模糊核。 利用WGAN-GP以1中生成的模糊核作为训练样本训练，扩充模糊核。 利用1和2种生成的模糊核，模糊真实图像生成超分网络的训练数据集。 公开的代码与论文有一些不一...原创 2019-12-19 16:48:24 · 1629 阅读 · 0 评论 -
Tensorflow生成高斯模糊并进行卷积操作
在卷积神经网络中用到了高斯模糊核对图像进行预处理。首先根据方差生成模糊核:def gauss_kernel1d(sigma):#sigma表示方差 if sigma == 0: return 0 else: tail = int(sigma*3) k = tf.exp([-0.5*x**2/sigma**2 for x in...原创 2020-01-08 17:19:44 · 1590 阅读 · 1 评论 -
CFSNet: Toward a Controllable Feature Space for Image Restoration ICCV2019
CFSNet: Toward a Controllable Feature Space for Image Restoration图1：图像超分辨率(第一行)的感知失真权衡与噪声降低与细节保留(第二行)的权衡，在测试时间,使用CFSNet时,用户可以很容易地根据个人喜好调整输入控制变量达到最满意的结果。相比之下，固定的方法(如EDSR、dncn - b)并不能总是保证最佳的视觉质量。...原创 2020-01-02 09:50:07 · 1132 阅读 · 0 评论 -
Symmetric diffeomorphic image registration with cross-correlation
Symmetric diffeomorphic image registration withcross-correlation: Evaluating automated labelingof elderly and neurodegenerative brain摘要现代神经影像学最具挑战性的问题之一是对神经变性的详细描述，量化空间和纵向萎缩模式是这一过程的重要组成部分。这些时...原创 2019-12-31 17:52:19 · 2451 阅读 · 1 评论 -
python 读取H5PY文件并保存为图像
import h5pyimport numpy as nphr_dataset = h5py.File('fuzzy.h5')['data']//此文件下的data数据label = h5py.File('fuzzy.h5')['lable']//此文件下的lable数据lenght=len(hr_dataset)//获取数据的长度for i in range(len(hr_datas...原创 2019-12-31 16:17:53 · 4851 阅读 · 0 评论