3回答
我被困在一件事上，如果我们必须将两个图像作为输入传递给UNET，我们可以通过连接它们来完成它，就像下面的代码一样for _ in range(num_inputs):self.input_height, self.input_width, self.input_features)))x = Conv2D(32, (3,3), activation='relu', padding='same')(x)
但是，我
浏览 5提问于2021-02-06得票数 5
我使用概述的herein代码，使用unet进行图像分割。 我的输入图像是256x256x3。而对应的分段掩码是256×256。我已经更改了Unet的输入大小： def unet(pretrained_weights = None,input_size = (256,256,3)): 并为输出获取具有256x256x1图层的网络当我尝试使用.fit_generator运行时，我得到以下错误： Valu
浏览 96提问于2020-06-11得票数 0
回答已采纳
我正在考虑下面的选项Mask ，但我不知道该使用哪个选项，也不确定我的图片贴上了正确的标签给下面的输出。
我的标签更侧重于在图像的各个部分检测疾病，而不是将整个图像归类为疾病。
浏览 4提问于2020-04-05得票数 1
回答已采纳
1回答
我是计算机视觉的新手，正在尝试训练一个模型，该模型采用正常的3通道图像(RGB)并给出输出，这只是一个简单的二进制掩模。据我所知，名为Unet的架构是这样做的。例如，TernausnetV2在kaggle竞赛中表现得非常好。在这种模型架构中，我认为的输入和输出是正确的吗？ 我有3通道图像(RGB)和二进制蒙版图像(大小与3通道图像相同，所有值都是1或0)。
浏览 106提问于2019-09-22得票数 1
2回答
目前，我正在处理一个数据集，其中我有两种图像：“锐化版本”的图像和“模糊版本”的相同图像，其中模糊是人工添加的。我的目标是训练一个模型，该模型接受模糊版本的图像，并尝试尽可能多地对图像进行去模糊处理，以便“去模糊图像”更接近于锐化版本。在文献中，UNet架构似乎是一个效果良好的模型。此外，我还可以通过Pytorch ()使用预先训练好的U-Net。我现在的问题是:当我用我的
浏览 33提问于2021-06-02得票数 0
1回答
我的主管告诉我，如果我的U-网分割网络在输入时有RGB图像，那么我可以使用不同图像的通道-- R的中值滤波，G的归一化，B的canny边缘检测(例如)。我不知道该怎么做。
浏览 0提问于2021-04-01得票数 1
回答已采纳
1回答
我刚开始深造，所以我有一个问题：什么是像样的(也许不是最难的)变体来保持大小或预测相同大小的图像？是通过同样的垫子吗？是通过换位卷积还是过采样？我是否应该在最后使用FCN并将其重塑到图像大小？我在用火把。我会很高兴有任何提示，因为我没有在互联网上找到很多
浏览 2提问于2021-01-12得票数 0
回答已采纳
1回答
图像大小为(32,256,256，6)。我认为没有必要知道net是什么以及它是做什么的。我的问题纯粹是分析性的。3], stride=1, scope='conv3')normalizer_fn=None, scope='conv7') # 32*248*2
浏览 3提问于2020-10-15得票数 0
1回答
我这里有两个帧，一个是RGB图像，第二个是同一RGB图像的深度图。图片在这里： ? 我想使用两幅图像直接在前面的两个植物上执行前景提取。理想情况下，我的最终结果是黑色背景中的两种花卉的彩色图像-从绿色的尖端到底部。我在想，掩蔽也许会有用？ 我的问题是，我是否可以将RGB图像中的颜色数据与深度图中的“形状”数据结合起来？如果我只有RGB图像，那么我将很难分离出前面的两种植物，因为后面有所有相似的颜色的植物，而且我可能会失去植物的
浏览 56提问于2021-09-21得票数 0
1回答
我正在使用u-net对N>1类进行语义分割.输入大小为(128,128,3)，输出大小为(128,128，N)。如何正确地将预测看作大小为n1 x n2 x 1的图像？我的尝试是:如果输出张量中的每一个(i，j)向量(大小为N)得到一个标量并绘制一个128 x 128图像的话，我就取最大值。
浏览 0提问于2018-11-02得票数 2
回答已采纳
我正在尝试将U-Net多类分割程序应用于整个幻灯片组织病理学明场图像，这些图像在QuPath中由几个组织区域类别标注，如肿瘤、正常组织、间质等。请参阅多类注释示例(仅显示幻灯片的一小部分)：
我需要将QuPath注释带到一个完整的幻灯片二进制多通道PNG图像中，其中每个组织区域类别在相应的通道中都有其掩码编码(对于幻灯片中的所有区域/元素)，此外还有一个背景通道注释所有未注释的像素。或者，我可以<em
浏览 40提问于2020-05-23得票数 0
1回答
我将使用下面的数据集来使用U-Net网络进行语义分割。此数据集包含脑部MR图像和手动FLAIR异常分割口罩。图像取自肿瘤影像档案馆(TCIA)。它们对应于包括在癌症基因组图谱(TCGA)低级别胶质瘤收集中的110名患者，至少有流体衰减反转恢复(FLAIR)序列和可获得的基因组聚类数据。肿瘤基因组簇和患者数据在data.csv文件中提供。我发现大脑图像是TIFF格
浏览 0提问于2020-08-03得票数 0
回答已采纳
6回答
将图像中的每个像素乘以一个因子
、、、、
我有一个使用拜耳滤镜创建的图像，颜色略有偏离。我需要将每个像素的RG和B乘以某个因子( R、G和B各有不同的因子)才能得到正确的颜色。我使用的是python映像库，当然也是用python编写的。
浏览 2提问于2012-06-05得票数 2
回答已采纳
1回答
我正在尝试使用一个用Keras实现的U-Net版本来分割医学图像。我的网络的输入是3D图像，输出是两个单热编码的3D分割图。我知道我的数据集非常不平衡(没有太多需要分割的东西)，因此我想对我的损失函数(目前是binary_crossentropy)使用类权重。有了类权重，我希望模型能更多地关注它必须分割的小东西。
浏览 23提问于2021-01-25得票数 3
回答已采纳
1回答
我正在训练一个U-Net架构来完成分割任务。这是使用Keras在Python中实现的。我现在遇到了一个问题，我正在努力理解：
我有两张来自显微镜图像系列的非常相似的图像(这些是连续的图像)，其中我目前的U-Net模型在其中一个上表现非常好，但在紧随其后的下一个上表现得非常差。然而，两者在肉眼上几乎没有区别，直方图看起来也非常相似。在其他测量中，模型在整个帧范围内的
浏览 1提问于2020-06-25得票数 0
1回答
卷积结构的差异
、、、
我很难理解多频道CNN的不同之处:在题为“用于任务诱发的fMRI数据分类的多通道2D卷积神经网络模型”(https://www.hindawi.com/journals/cin/2019/5065214/#sec2.1)图1中，作者使用一个频道来表示输入图像类型。图像是一个二维灰度矩阵。从图上看，图像数=通道数=不同CNN数。这是真的吗？我的印象是，不管有多少频道，
浏览 0提问于2020-07-19得票数 2
回答已采纳
2回答
在简单的自动编码器中，我们不使用Transpose2D Conv。上采样是如何发生的，如果我们在自动编码器中使用Transpose2D，它与UNET有什么不同？
浏览 57提问于2021-02-03得票数 0
1回答
我试图建立一个图像分割模型，在imagenet数据集上预先训练过的Keras移动网络模型。无论如何，为了进一步训练这个模型，我想在现有的模型中增加U-net层，并且只训练u-net体系结构的层，并以移动网模型帮助作为骨干。问题:移动网模型的最后一层是维度(7x7x1024)，这是一个RelU层，我希望将其重新构造为(256x256x3)，这可以被U-net输入层理解。
浏览 5提问于2019-12-03得票数 1
回答已采纳
假设我给CNN提供了3张灰度图像，其合并形状为3,28,28。此过程将为每个图像生成多个特征映射。如何识别特定图像对应的特征映射。__init__() self.pool = nn.MaxPool2d(2, 2) self.fc1 = nn.Linear(256, 120)
self.fc2 = nn.Linea
浏览 1提问于2021-08-28得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
