- 博客(19)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 阅读论文计划 16/10000医学分割
在应用SAM方面，论文通过设计Mask-Enhanced Adapter（MEA）模块，将其插入到图像编码器和掩模解码器之间进行训练，以增强图像嵌入中包含的语义信息，并结合粗分割掩模中的位置信息，从而生成更精细的分割掩模。引入了Mask-Enhanced Adapter (MEA)：该论文提出了一种新的Mask-Enhanced Adapter（MEA），用于丰富医学影像的语义信息，并结合粗分割掩模中的位置信息，从而帮助生成更精细的分割掩模。这种方法有效地利用了位置信息和语义信息，提高了分割的准确性。
2024-04-16 11:31:08
255
原创 阅读论文计划 15/10000 弱监督语义分割
为了将这个想法应用到弱监督语义分割中，作者同时训练了两个模型：一个分类器生成CAMs，将图像分解成不同的部分，另一个重构器测量不同部分之间的推断性。这意味着在分割图像时，不同部分之间应该具有较低的可推断性，即它们应该是相互独立的，而不应该能够从其他部分重建出某一部分。这个参数定义了网格中1的期望频率，其中1允许相应的特征通过，0则阻止它通过。的同时，保持模型对数据的有效利用，从而提高模型的泛化能力和性能。这样，重构器不会完全依赖于原始数据，而是通过利用残余信息来提高重构的准确性。通过SRF方法，可以在。
2024-02-03 23:46:03
248
1
原创 阅读论文计划 14/10000 弱监督语义分割
根据原始cam阈值选取前景特征，K均值聚类，分别得到前景背景的聚类特征，成为类原型和上下文原型；类原型选择时，使用分类器计算每个类别的每个聚类特征得分，通过阈值，来挑选每个类别的前景和背景特征；，从而扩展了类激活图的覆盖范围，使其能够更全面地覆盖对象。LPCAM方法通过聚类局部特征来生成类原型，然后将这些类原型与全局特征结合起来，生成更全面的类激活图。进而得到每个类别聚合激活，公式6的归一化方法，归一化时不计算混淆的背景区域，因此非判别性区域得分有一定优势。提出了一种新的类激活图计算方法，称为。
2024-02-03 19:21:47
198
1
原创 阅读论文计划 13/10000 弱监督语义分割
如果M_k的某个部分与另一个mask相交，并且该部分在另一个mask对应的得分S_j高于M_k对应的得分S_k，那么该部分将被跳过。这种方法简单而有效，能够显著改善现有弱监督语义分割方法中存在的问题，如部分激活和错误激活，为应用分割基础模型到计算机视觉任务中开辟了新的途径。这两个度量指标用于评估掩码S与伪标签P之间的重叠程度，以确定哪些掩码可以被保留为增强的伪标签。通过这些步骤，算法可以确保每个区域只被分配给最相关的类别，从而提高了伪标签的质量和准确性。，提高了伪标签的质量，使其。，从而提高伪标签的质量。
2024-02-03 01:07:21
159
1
原创 阅读论文计划 12/10000 脑出血分割
迁移学习使模型能够利用其已经学到的相关任务的知识。特征图包括一个低衰减图，以突出低衰减区域，虽然脑出血区域在CT或MRI图像中通常具有明显的密度或信号特征，但有时候出血区域的边界可能不够清晰，或者周围组织的特征与出血区域相似，这可能会导致算法在分割过程中出现困难。总的来说，寻找脑脊液区域并计算距离可能是为了引入额外的空间信息和特征，帮助算法更好地分割出脑出血区域，并提高分割的准确性和鲁棒性。：最后一步（右下角）是通过概率图得出的不同尺度的不对称性图，用于最终分割钙化病变，将其呈现为脑组织中的对比区域。
2024-02-02 19:39:25
197
原创 阅读论文计划 11/10000 跨模态 行人重识别
（Intra-class Aggregation Loss）：该损失函数的作用是在**同一身份（或类别）的数据点之间保持结构先验，即保持它们的个体特征，形成较大的聚合体。**这个过程可以帮助模型更好地学习到身份之间的差异性，从而提高模型的分类准确率。，从而使得同一身份的数据点更加紧密地聚集在一起。总的来说，子类聚合和类内聚合都是为了帮助模型更好地学习到数据点之间的相似性和差异性，从而提高模型的分类准确率。这三个部分损失函数的组合可以帮助模型更好地学习到身份之间的相似性和差异性，从而提高模型的分类准确率。
2024-01-23 21:31:45
353
原创 阅读论文计划 10/10000 预训练模型
具体来说，与传统的自回归模型不同，**AIM 使用了一种前缀注意力机制，允许模型在预测图像中每个像素的值时，考虑之前的像素值，而不考虑后面的像素值。在这种方法中，作者选择了一个前导长度 S，然后移除了因果掩码，使得在下游任务的适应过程中可以放宽这种限制，从而提高了模型在下游任务中的性能。另外，AIM 还使用了一种基于 token 的预测头部，受到对比学习的启发，这种设计显著提高了模型在训练过程中的特征质量，同时增加了很少的额外开销。另外，AIM还引入了一些架构上的修改，如使用了。
2024-01-23 20:49:18
358
原创 阅读论文计划 9/10000 脑出血分割
*这个设计可以在保持特征图大小不变的情况下，减少模型的参数数量和计算量，提高模型的性能和效率。整个降维残差卷积单元包括两个卷积块，每个卷积块包括三个卷积层和一个残差连接，因此整个降维残差卷积单元包含六个卷积层和两个残差连接。降维操作则通过降低特征图的维度，减少特征图的大小和数量，从而提高了模型的计算效率和泛化能力。总的来说，降维残差卷积单元的创新点在于结合了残差连接和降维操作，通过降低特征图的维度和数量，提高了模型的性能和效率，使得模型能够更好地应用于颅内出血血肿的分割和容积计算任务。
2024-01-23 15:31:11
362
原创 阅读论文计划 8/10000 弱监督 脑出血分割 检测
因此，Head-wise注意力是一种更加高效和有效的注意力机制，可以为医学影像分析领域的研究和实践提供新的思路和方法。具体来说，作者使用了三个通道来表示CT图像中的不同成分：第一个通道表示软组织，第二个通道表示骨头，第三个通道表示空气。弱监督分割方法：作者提出了一种基于分类学习的弱监督分割方法，利用ICH亚型的注释来生成自注意力图，从而实现像素级别的分割，而无需像素级别的标注数据。，从而提高了分割的精度和鲁棒性。这些创新点为弱监督分割方法的改进提供了新的思路和方法，有望在医学影像分析领域产生重要的影响。
2024-01-23 14:50:52
308
原创 阅读论文计划 7/10000 脑出血分割
还提出了一种自训练策略，利用伪标签对未标记的训练样本进行半监督学习，从而进一步提高了模型的性能。具体实现方法如下：首先，使用已训练的模型对未标记的训练样本进行预测，得到每个样本的预测结果。该架构在INSTANCE2022数据挑战中取得了优异的性能，超越了其他模型，尤其在处理医学影像领域的小样本训练方面表现出色。在每一轮训练中，使用带有伪标签的训练集进行模型的迭代训练，直到模型收敛或达到预设的迭代次数为止。最后，将这三个注意力系数分别应用于原始的三维特征图，得到加权后的特征图，即为注意力机制的输出。
2024-01-23 06:33:26
311
原创 阅读论文计划 6/10000 脑出血分割
具体来说，边界敏感损失函数的设计旨在提高模型对模糊边界的感知能力，特别是在医学图像中，由于低对比度和模糊边界，边界的准确预测对于正确的分割非常重要。在SAM-based方法中，适配器层的设计使得模型能够更好地适应不同的任务和数据分布，从而提高了模型的性能和泛化能力。这种参数重构适配器的设计使得模型能够更好地适应不同的任务和数据分布，从而提高了模型的性能和泛化能力。函数来提高模型的性能。在SAM-based方法中，适配器的设计是共享相同的权重，但是在不同的位置使用不同的参数。，从而提高模型的泛化能力和性能。
2024-01-23 06:10:00
1196
原创 阅读论文计划 5/10000 脑出血检测
*在这项研究中，n的值为16，这意味着整个脑部区域被划分为16个子体积，每个子体积都有三个复合图像。框架的第一步是输入扫描，这通常指的是脑部的CT扫描或MRI图像。具体来说，将整个脑部区域划分为n个子体积，每个子体积的大小为(J, K, L)，其中i表示第i个子体积，j表示第j个切片，k表示第k个行，l表示第l个列。对于位于Slice_maxbr以下的切片，使用上一切片中提取的脑部区域作为初始区域，通过将该区域与当前切片的ROI相乘，然后提取当前切片中的最大3个软组织岛屿，来提取脑部区域。
2024-01-22 02:20:36
336
原创 阅读论文计划 4/10000 脑出血分割
模型由两大部分组成：一个收缩部分（Contracting part）和一个扩张部分（Expansive part），与U-Net的典型结构一致。通过这种方式，Siamese U-Net能够更加关注异常区域，即那些在两个图像中差异较大的区域，从而提高了对异常区域的检测和分割的准确性。提出了一种新的卷积神经网络模型，名为Siamese U-Net，用于在非对比度CT图像中更准确地分割出脑出血区域。通过结合健康脑部的特征信息，Siamese U-Net能够降低虚阴性和虚阳性分割率，并更准确地估计出血量。
2024-01-22 01:19:11
378
原创 阅读论文计划 3/10000 脑出血分割
通常情况下，不确定性估计方法（如预测熵）会被用来评估模型输出的不确定性，而最终的损失函数通常是基于模型的预测结果和真实标签之间的差异来定义的，比如交叉熵损失函数或Dice损失函数等。其次，作者还设计了两种信息传递路径：前向切片扩展和后向切片扩展，以进一步利用切片之间的上下文信息。在这个过程中，通过SEM模块，将(i-1)切片的预测结果映射到(i)切片，以便在(i)切片上获取更准确的分割结果。类似于前向切片扩展，通过SEM模块，将(i+1)切片的预测结果映射到(i)切片，以提高(i)切片的分割准确性。
2024-01-19 11:03:14
1102
1
原创 阅读论文计划 2/10000
首先，通过使用技术如Grad-CAM生成初始CAM，然后引入类感知注意力机制，生成类别感知的掩码，最终通过实时细化CAM，提高CAM的质量和准确性。包括同义词获取、融合策略和处理，该模块在句子级别进行同义词融合，将不同的同义词组合成一个句子，作为CAM生成的指导性信息，提升图像分割的准确性。同义词融合策略：研究人员可以选择不同的同义词融合策略，包括句子级别、特征级别或CAM级别的融合。同义词融合处理：将获取的同义词组合成一个句子，并将这个句子作为输入，用于生成CAM或者其他用于图像分割的指导性信息。
2024-01-18 16:30:26
415
1
原创 阅读论文计划 1/10000
进行阈值选取，随着训练的进行，作者逐步调整阈值，以逐渐提高对噪声像素的过滤严格度。总之，渐进式像素检测模块是一种用于逐步检测并过滤掉噪声像素的模块，它可以根据训练的进行逐步提高对噪声像素的过滤严格度，从而提高弱监督语义分割模型的性能。在训练过程中，作者使用了一种在线噪声过滤模块来过滤掉不可靠的伪标签，以提高模型的鲁棒性。：引入了具有类自适应阈值的在线噪声过滤模块，用于处理图像级和像素级噪声，从而提高了模型对弱标签的鲁棒性。噪声像素过滤：根据逐步调整的阈值，模块会逐步过滤掉噪声像素，从而提高训练数据的质量。
2024-01-17 20:41:08
363
原创 linux下kill自己账号下错误程序
如果不小心产生了很多个程序，kill之后卡住，kill自己账号下错误程序：fuser -v /dev/nvidia* |grep 3* | xargs kill -9
2022-05-24 16:33:32
91
原创 linux服务器配置深度学习环境
自己服务器账号安装环境的顺序：创新环境、新环境安装cuda、安装新环境cuda匹配的pytorch用anaconda 可以cudatoolkit和pytorch一起装，可以设置清华镜像cuda自己装的cuda跟系统cuda没关系，跟base环境下也没关系。自己可以用系统的cuda。自己环境的cuda版本就要跟驱动版本匹配，比如我们服务器Driver Version: 450.119.03，那就是我们可以装这些...
2021-12-22 16:39:09
2219
2
栈应用之小学生作业系统.zip
2019-07-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人