本文包含代码案例和讲解,建议收藏,也顺便点个赞吧.欢迎各路朋友爱好者加我的微信讨论问题:cyx645016617. 在很多关于医学图像分割的竞赛.论文和项目中,发现 Dice 系数(Dice coefficient) 损失函数出现的频率较多,这里整理一下.使用图像分割,绕不开Dice损失,这个就好比在目标检测中绕不开IoU一样. 1 概述 Dice损失和Dice系数(Dice coefficient)是同一个东西,他们的关系是: \[DiceLoss = 1-DiceCoefficient \]

​ 前言: 在深度学习和计算机视觉中,人们正在努力提取特征,为各种视觉任务输出有意义的表示.在一些任务中,我们只关注对象的几何形状,而不管颜色.纹理和照明等.这就是边界检测的作用所在. 关注公众号CV技术指南,及时获取更多计算机视觉技术总结文章. 问题定义 ​ 图1 边界检测 图1是一个边界检测的例子,顾名思义,边界检测是从图像中检测对象边界的任务.这是一个不适定的问题,因为问题设置本身存在歧义.如图所示,对于室内房间图像(左),ground truth(中)定义房间内的ground truth

前言  本文汇总了过去本公众号原创的.国外博客翻译的.从其它公众号转载的.从知乎转载的等一些比较重要的文章,并按照论文分享.技术总结三个方面进行了一个简单分类.点击每篇文章标题可阅读详细内容 欢迎关注公众号 CV技术指南 ,专注于计算机视觉的技术总结.最新技术跟踪.经典论文解读. ​ 今年是进入计算机视觉领域的第四年,做公众号的第一年,写了不少原创文章,从国外博客上翻译了不少我认为比较不错的文章,也从知乎上找了不少不错的文章在经作者授权后转载到公众号. 整体上来说,这一年基本保持初心,始终在做一

我们只是大佬的搬运工 1.log loss 2.WBE loss 带权重的交叉熵 3.Focal loss 容易过拟合?我在VGG16上做过实验(没有BN层),发现网络在训练集上的性能直线上升,但是验证集却下降,不知是不是BN层缺失的原因 4.DIce loss 对于肿块太小的梯度容易变化剧烈 5.IOU loss 6.Tversky loss 7.敏感性-特异性损失 8.Generalized Dice loss 9.BCE + Dice loss 10.Dice + Focal loss 1

PSENet V2昨日刚出,今天翻译学习一下. 场景文本检测是场景文本阅读系统的重要一步,随着卷积神经网络的快速发展,场景文字检测也取得了巨大的进步.尽管如此,仍存在两个主要挑战,它们阻碍文字检测部署到现实世界的应用中.第一个问题是速度和准确性之间的平衡.第二个是对任意形状的文本实例进行建模.最近,已经提出了一些方法来处理任意形状的文本检测,但是它们很少去考虑算法的运行时间和效率,这可能在实际应用环境中受到限制.在本文中,我们提出了一种高效且准确的任意形状文本检测器,称为 PSENet V2,它

摘要:2020年国际医学图像计算和计算机辅助干预会议(MICCAI 2020),论文接收结果已经公布:华为云医疗AI团队和华中科技大学合作的2篇研究成果入选. 语义/实例分割问题是近年来医学图像计算领域的一个热门研究课题,70%以上的国际竞赛都是围绕着它展开.在临床上,分割方法使能临床辅助决策.术前规划.肿瘤动态监控等任务,具有极高的临床使用价值. 2020年国际医学图像计算和计算机辅助干预会议(MICCAI 2020),论文接收结果已经公布:华为云医疗AI团队和华中科技大学合作的2篇研究成果入

​前言: 目标检测是计算机视觉中的一项传统任务.自2015年以来,人们倾向于使用现代深度学习技术来提高目标检测的性能.虽然模型的准确性越来越高,但模型的复杂性也增加了,主要是由于在训练和NMS后处理过程中的各种动态标记.这种复杂性不仅使目标检测模型的实现更加困难,而且也阻碍了它从端到端风格的模型设计. 关注公众号CV技术指南,及时获取更多计算机视觉技术总结文章. 早期方法 (2015-2019) 自2015年以来,人们提出了各种深度学习中的目标检测方法,给该领域带来了巨大的影响.这些方法主要分为

​ 前言: 目标检测的预测框经过了滑动窗口.selective search.RPN.anchor based等一系列生成方法的发展,到18年开始,开始流行anchor free系列,CornerNet算不上第一篇anchor free的论文,但anchor freee的流行却是从CornerNet开始的,其中体现的一些思想仍值得学习. 看过公众号以往论文解读文章的读者应该能感觉到,以往论文解读中会有不少我自己的话来表述,文章写得也很简练.但这篇论文的写作实在很好,以至于这篇解读文章几乎就是对论

​ 作者:Synced 翻译:仿佛若有光 第三十五届 AAAI 人工智能会议 (AAAI-21) 以虚拟会议的形式拉开帷幕.组委会在开幕式上公布了最佳论文奖和亚军.三篇论文获得了最佳论文奖,三篇被评为亚军. AAAI 2021 共收到 9,034 篇论文,再创历史新高,超过了去年的 8800 篇.来自中国的论文(3,319 篇)几乎是美国论文数量(1,822 篇)的两倍.在 7,911 篇去评审的论文中,共有 1,692 篇论文通过.今年的录取率为21%,略高于去年的20.6%. 点个关注,专注

​ 作者:Lawliet 翻译:仿佛若有光 前言: 几个月前,我根据 Simoncelli 2016 年的论文编写了自己的自动编码器,用于研究目的.一开始,我想使用一些流行的深度学习框架(例如 Tensor Flow.Caffe2 或 MXNet)来做我的实验.然而,在对所有这些框架进行了几周的调查之后,我发现了一个非常令人头疼的问题--可扩展性.我不是说这些框架设计得不好,而是不允许用户开发第三方算子,就像写一个插件一样,你给我一个没有任何参数的函数.那么改变函数行为的唯一方法就是修改源代码,

​ 论文:End-to-End Video Instance Segmentation with Transformers 获取:在CV技术指南后台回复关键字"0005"获取该论文. 代码:https://git.io/VisTR 点个关注,专注于计算机视觉技术文章. 前言: 视频实例分割(VIS)是一项需要同时对视频中感兴趣的对象进行分类.分割和跟踪的任务.本文提出了一种新的基于 Transformers 的视频实例分割框架 VisTR,它将 VIS 任务视为直接的端到端并行序列解码

​ 论文:Rethinking Spatial Dimensions of Vision Transformers 代码:https://github.com/naver-ai/pit 获取:在CV技术指南后台回复"0006" 点个关注,专注于计算机视觉的技术总结.最新技术跟踪.经典论文解读. 前言: 由于基于transformers的架构在计算机视觉建模方面具有创新性,因此对有效架构的设计约定的研究还较少.从 CNN 的成功设计原则出发,我们研究了空间维度转换的作用及其对基于tran

​ 论文:Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework 代码:https://github.com/TencentYoutuResearch/CrowdCounting-P2PNet 获取:在公众号CV技术指南中回复关键字"0007"可下载此论文 ​欢迎关注公众号 CV技术指南 ,专注于计算机视觉的技术总结.最新技术跟踪.经典论文解读. 前言: 在人群中定位个体更符合后续高级人

​ 前言 公众号在前面发过三篇分别对BatchNorm解读.分析和总结的文章(文章链接在文末),阅读过这三篇文章的读者对BatchNorm和归一化方法应该已经有了较深的认识和理解.在本文将介绍一篇关于BatchNorm举足轻重的论文,这篇论文对进行了很多实验,非常全面地考虑了BatchNorm中的Batch. 欢迎关注公众号 CV技术指南 ,专注于计算机视觉的技术总结.最新技术跟踪.经典论文解读. Motivation BatchNorm 区别于其他深度学习算子的关键因素是它对批量数据而不是单个

​前言:这篇论文旨在以极低的计算成本解决性能大幅下降的问题.提出了微分解卷积,将卷积矩阵分解为低秩矩阵,将稀疏连接整合到卷积中.提出了一个新的动态激活函数-- Dynamic Shift Max,通过最大化输入特征图与其循环通道移位之间的多个动态融合来改善非线性. 在这两个新操作的基础上,得到了一个名为 MicroNet 的网络系列,它在低 FLOP 机制中实现了比现有技术显着的性能提升.在 12M FLOPs 的约束下,MicroNet 在 ImageNet 分类上达到了 59.4% 的 to

​  前言  由于内存和计算资源有限,在嵌入式设备上部署卷积神经网络 (CNN) 很困难.特征图中的冗余是那些成功的 CNN 的一个重要特征,但在神经架构设计中很少被研究. 论文提出了一种新颖的 Ghost 模块,可以从廉价操作中生成更多的特征图.提出的 Ghost 模块可以作为即插即用的组件来升级现有的卷积神经网络.堆叠Ghost Module建立了轻量级的 GhostNet. GhostNet 可以实现比 MobileNetV3 更高的识别性能(例如 75.7% 的 top-1 准确率),并

​ 前言 这篇文章非常全面细致地介绍了Batch Size的相关问题.结合一些理论知识,通过大量实验,文章探讨了Batch Size的大小对模型性能的影响.如何影响以及如何缩小影响等有关内容. 本文来自公众号CV技术指南的技术总结系列 欢迎关注公众号CV技术指南 ,专注于计算机视觉的技术总结.最新技术跟踪.经典论文解读. 在本文中,我们试图更好地理解批量大小对训练神经网络的影响.具体而言,我们将涵盖以下内容: 什么是Batch Size? 为什么Batch Size很重要? 小批量和大批量如何凭

​前言 本文介绍了现有实例分割方法的一些缺陷,以及transformer用于实例分割的困难,提出了一个基于transformer的高质量实例分割模型SOTR. 经实验表明,SOTR不仅为实例分割提供了一个新的框架,还在MS Coco数据集上超过了SOTA实例分割方法. 本文来自公众号CV技术指南的论文分享系列 关注公众号CV技术指南 ,专注于计算机视觉的技术总结.最新技术跟踪.经典论文解读. ​ 论文:SOTR: Segmenting Objects with Transformers 代码:h

作者:韩信子@ShowMeAI 计算机视觉实战系列:https://www.showmeai.tech/tutorials/46 行业名企应用系列:https://www.showmeai.tech/tutorials/63 本文地址:https://www.showmeai.tech/article-detail/298 声明:版权所有,转载请联系平台与作者并注明出处 收藏ShowMeAI查看更多精彩内容 深度学习+医疗科技 近年高速发展的人工智能技术应用到了各个垂直领域,比如把深度学习应用于

语义分割是将标签分配给图像中的每个像素的过程.这与分类形成鲜明对比,其中单个标签被分配给整个图片.语义分段将同一类的多个对象视为单个实体.另一方面,实例分段将同一类的多个对象视为不同的单个对象(或实例).通常,实例分割比语义分割更难. 语义和实例分割之间的比较.(来源) 本博客探讨了使用经典和深度学习方法执行语义分割的一些方法.此外,还讨论了流行的损失函数选择和应用. 经典方法 在深度学习时代开始之前,使用了大量的图像处理技术将图像分割成感兴趣的区域.下面列出了一些常用的方法. 灰度分割 最简单