yzl819819的博客

医学影像是临床疾病诊断的重要方式，高效精准的从影像中识别出器官结构或病变，是医学影像学中重要的课题。根据成像原理，医疗影像可以粗略分为两类：2D成像：一种是在可见光下获取的RGB彩照，如眼底彩照、皮肤彩照等3D成像：借助非可见光或其它物理效应，由计算机辅助成像，如CXR/DR(X-Ray)，CT，核磁共振(MRI)等。如CT与MRI数据是多个2D切片沿第三个空间维度堆叠而成的。 其中，3D影像能够更直观辅助医生提升诊断效率。但医疗影像的读片工作对专业知识要求高，这样繁重且重复性较高的阅片工

是时候和PS说拜拜了，超强发丝级抠图算法开源你还在用P.S.等商业软件，划着鼠标，一点点勾勒图像边缘完成抠图嘛？有些大神可能会说：我可以用蒙板、通道等等高端操作实现超快抠图！但如果能有一个软件可以实现智能全自动抠图，完美保留发丝、树叶等精细边缘，还完全免费，甚至代码都是全部开源的，它不香嘛！！！ 这绝对不是画饼，近期一项被称为Matting的算法可算是火爆了AI界，它相比于单纯的图像分割技术，可以根据透明度更进一步的对图像的像素进行分类，如下图，不仅图像中的主体目标被精准

代码地址：https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/configs/pp_liteseg虽然深度学习在语义分割方面取得了显著的飞跃，但很多模型的实时性并不令人满意。在这项工作中，作者提出了PP-LiteSeg，一个新的轻量级实时语义分割任务模型。具体地说，作者提出了一个灵活和轻量级解码器(FLD)来减少以往解码器的计算开销。为了加强特征表示，作者还提出了一个统一的注意力融合模块(UAFM)，它利用空间注意力和通道注意力产...

实战源码，PP-LiteSeg集速度快、精度高、易部署等为一体，行业应用实战必备图像分割技术在医疗病灶分析、自动驾驶车道线分割、绿幕人像抠图等领域发挥着举足轻重的作用。相比目标检测、图像分类等技术，图像分割需要将每个像素点进行分类，在精细的图像识别任务中不可替代。 正因如此，DeepLabv3、OCRNet、BiseNetv2、Fast-SCNN等优秀算法层出不穷，然而在实际产业落地过程中往往需要综合考虑硬件性能、精度等多方面因素，对算法的需求也是苛刻的。往往业界算法在保障高识别精度的情况下，