开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

CT图像的SegNet预训练权重

是指用于语义分割任务的SegNet模型在大规模数据集上进行预训练后得到的权重参数。SegNet是一种基于深度学习的神经网络架构，专门用于图像语义分割，即将图像中的每个像素分配给特定的类别。

SegNet模型通过编码器-解码器结构实现图像语义分割。编码器部分由多个卷积层和池化层组成，用于提取图像的特征信息。解码器部分则通过上采样和反卷积操作将编码器输出的特征图恢复到原始图像大小，并生成像素级别的语义分割结果。

使用预训练权重可以加快模型训练的速度，并提高模型在新数据集上的性能。预训练权重通过在大规模数据集上进行训练得到，可以捕捉到丰富的图像特征和语义信息。在实际应用中，可以将预训练权重加载到SegNet模型中，然后在特定任务的数据集上进行微调，以适应具体的应用场景。

对于CT图像的语义分割任务，SegNet模型的预训练权重可以用于快速构建和训练一个高性能的分割模型。例如，在医学影像领域，可以利用SegNet模型和预训练权重来实现肿瘤分割、器官分割等任务。此外，SegNet模型还可以应用于交通场景中的车辆和行人分割、遥感图像分割等领域。

腾讯云提供了一系列与图像处理和深度学习相关的产品和服务，可以支持使用SegNet模型进行CT图像的语义分割任务。例如，腾讯云的AI智能图像分析（Image Moderation）服务可以用于图像的预处理和分析，腾讯云的云服务器（CVM）和GPU实例可以提供强大的计算资源，腾讯云的云原生数据库TDSQL和对象存储COS可以用于数据的存储和管理。

更多关于腾讯云相关产品和服务的介绍，请参考以下链接：

相关搜索:keras中基于预训练模型权重微调的迁移学习 keras逐层复制VGG16预训练权重 pytorch不会保存加载的预训练模型权重以及最终模型中的部分权重 PyTorch中预训练图像分类器的图像处理问题 Pytorch预训练模型无法识别我的图像 SegNet -训练我自己的数据集 Tensorflow预训练CNN:预测图像的相同类别 yolo预训练网络的图像预处理使用pytorch预训练模型预测时所需的图像大小使用yolov3进行自定义对象检测的预训练权重

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

ChainerCV︱堪比Opencv--深度学习工具库（Faster R-CNN、SSD 和 SegNet）

该文章介绍了如何使用Chainer和PyTorch实现SegNet。首先，介绍了如何使用Chainer和PyTorch实现一个基本的SegNet模型，然后介绍了如何加载预训练的模型并使用PyTorch API对其进行微调。最后，展示了一个使用预训练模型进行图像分割的示例。

05

《SegNet》论文阅读

2015年，Segnet模型由Vijay Badrinarayanan, Alex Kendall, Roberto Cipolla发表, 在FCN的语义分割任务基础上，搭建编码器-解码器对称结构，实现端到端的像素级别图像分割。

01

基于深度学习的自然图像和医学图像分割：网络结构设计

来源：知乎、极市平台、深度学习爱好者作者丨李慕清@知乎 https://zhuanlan.zhihu.com/p/104854615本文约5100字，建议阅读10分钟本文首先介绍一些经典的语义分割网络及其创新点，然后介绍网络结构设计在医学图像分割领域内的一些应用。本文总结了利用CNNs进行图像语义分割时，针对网络结构的创新，这些创新点主要包括新神经架构的设计（不同深度、宽度、连接和拓扑结构）和新组件或层的设计。前者是利用已有的组件组装复杂的大型网络，后者是更偏向于设计底层组件。首先介绍一些经典的语义分割

03

深度学习图像分割：网络结构设计一览

来源：极市平台本文共5400字，建议阅读15分钟在利用CNNs进行图像语义分割时，有一些针对网络结构的创新点，主要包括了新神经架构和新组件或层的设计。文章的后半部分则对医学图像分割领域中网络结构设计的应用进行了梳理。本文总结了利用CNNs进行图像语义分割时，针对网络结构的创新，这些创新点主要包括新神经架构的设计（不同深度、宽度、连接和拓扑结构）和新组件或层的设计。前者是利用已有的组件组装复杂的大型网络，后者是更偏向于设计底层组件。首先介绍一些经典的语义分割网络及其创新点，然后介绍网络结构设计在医学图像分割

04

什么是语义分割_多模态语义理解

复现详解：http://mi.eng.cam.ac.uk/projects/segnet/tutorial.html

02

美国高校开源迄今为止最大新冠肺炎CT数据集

胸部计算机断层扫描（CT）图像在对新冠肺炎（COVID-19）提供准确、快速、廉价的筛查和检测方面很有前景。

02

SegICP：一种集成深度语义分割和位姿估计的框架

尽管机器人的相关技术近年快速发展，但机器人如何在复杂、真实的场景中实现快速、可靠地感知与任务相关的物体仍然是一项十分具有挑战性的工作。为了提高机器人系统的感知速度和鲁棒性，作者提出了 SegICP，这是一种用于对象识别和位姿估计的集成解决方案。SegICP 结合卷积神经网络和多假设点云配准，以实现鲁棒的像素级语义分割以及相关对象的准确实时 6 自由度姿态估计。该架构在没有初始解的情况下实现了实时的1 cm 位置误差和小于5°的角度误差。最后在根据运动捕捉生成的带注释的基准数据集上完成了SegICP的评估。本文主要贡献如下：

04

FCN、ReSeg、U-Net、ParseNet、DeepMask…你都掌握了吗？一文总结图像分割必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 19 个在图像分割任务上曾取得 SOTA 的经典模型。第 1 期：FCN、ReSeg、U-Net、ParseNet、DeepMask、S

02

大会 | CVPR2017精彩论文解读：结合序列学习和交叉形态卷积的3D生物医学图像分割 | CVPR 2017

AI科技评论按：虽然CVPR 2017已经落下帷幕，但对精彩论文的解读还在继续。下文是宜远智能的首席科学家刘凯对此次大会收录的《结合序列学习和交叉形态卷积的3D生物医学图像分割》（Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation）一文进行的解读。 3D医学图像的切割的背景 3D医学图像的切割是医学图像处理里一个非常重要的工作，比如脑部MRI数据、肺CT数据和X光数据等等。现在大多数的3D

04

语义分割的定义_语义分割模型

语义分割结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。

04

【语义分割】一篇看完就懂的最新深度语义分割模型综述

语义分割结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。

03

深度学习500问——Chapter09：图像分割（2）

卷积网络被大规模应用在分类任务中，输出的结果是整个图像的类标签。然而，在许多视觉任务，尤其是生物医学图像处理领域，目标输出应该包括目标类别的位置，并且每个像素都应该有类标签。另外，在生物医学图像往往缺少训练图片。所以，Ciresan等人训练了一个卷积神经网络，用滑动窗口提供像素的周围区域（patch）作为输入来预测每个像素的类标签。

00

资源 | ChainerCV：基于Chainer的深度学习计算机视觉实用库（内含工具集）

选自GitHub 作者：二井谷勇佑（Yusuke Niitani）机器之心编译参与：黄小天、蒋思源近日，Preferred Networks 通过其研究博客发布了深度学习计算机视觉实用库 ChainerCV，它基于 Chainer，能够简化计算机视觉的训练和应用过程，并含有用于计算机视觉研究的必备工具集。未来，ChainerCV 将会支持分类任务；其论文已被 ACM Multimedia 2017 开源软件竞赛接收，并很快在 arXiv 上开放。我们发布了 ChainerCV，一个用于计算机视觉的深

深度学习系列（四）分割网络模型（FCN、Unet、Unet++、SegNet、RefineNet)

深度学习系列（四）分割网络模型（FCN、Unet、Unet++、SegNet、RefineNet)

03

Attention机制的精要总结，附：中英文机器翻译的实现！

在“编码器—解码器（seq2seq）”⼀节⾥，解码器在各个时间步依赖相同的背景变量来获取输⼊序列信息。当编码器为循环神经⽹络时，背景变量来⾃它最终时间步的隐藏状态。

02

ENet —一种针对实时语义分割的深度神经架构

Fig 1. A conversation between a semantic segmented guy and a toon

03

语义分割中的深度学习方法全解：从FCN、SegNet到各版本DeepLab

王小新编译自 Qure.ai Blog 量子位出品 | 公众号 QbitAI 图像语义分割就是机器自动从图像中分割出对象区域，并识别其中的内容。量子位今天推荐的这篇文章，回顾了深度学习在图像语义

ENet —一种针对实时语义分割的深度神经架构

Fig 1. A conversation between a semantic segmented guy and a toon

02

一文概览主要语义分割网络：FCN,SegNet,U-Net...

图像的语义分割是将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类。虽然自 2007 年以来，语义分割/场景解析一直是计算机视觉社区的一部分，但与计算机视觉中的其他领域很相似，自 2014 年 Long 等人首次使用全卷积神经网络对自然图像进行端到端分割，语义分割才有了重大突破。

02

干货 | 深度学习的实践应用之路

AI科技评论按：本文由图普科技编译自《Applying Deep Learning to Real-world Problems》，AI科技评论独家首发。近年来，人工智能的崛起可以说是得益于深度学习的成功。驱动深度神经网络突破的三个主要因素分别是：海量的训练数据、强大的计算架构和学术领域的相关进展。因此，深度学习在图像分类、面部识别等任务的表现上不仅超越了传统方法，还超越了人类水平。这一切都为那些使用深度学习解决实际问题的新业务创造了巨大的发展潜力。在位于柏林的Merantix总部，我们致力于研究这项新

06

干货 | 一文概览主要语义分割网络，FCN、UNet、SegNet、DeepLab 等等等等应有尽有[通俗易懂]

原文地址：https://meetshah1995.github.io/semantic-segmentation/deep-learning/pytorch/visdom/2017/06/01/semantic-segmentation-over-the-years.html

05

MAE再次升级，FocusMAE开源 | 源于MAE又高于MAE，有更高质量的表征&全新的架构设计

胆管癌（GBC）。近来，自动检测GBC的技术引起了研究者的极大兴趣。GBC在早期很难被检测出来，而且当疾病被发现时大多数患者已经处于晚期，手术切除变得不可行。因此，这种疾病的生存统计数据非常惨淡。晚期GBC患者的5年生存率仅为5%，平均生存时间仅为六个月。因此，早期发现GBC对于及时干预和提高生存率至关重要。

01

【图像分割模型】编解码结构SegNet

分割任务中的编码器encode与解码器decode就像是玩“你来比划我来猜”的双方：比划的人想把看到的东西用一种方式描述出来，猜的人根据比划的人提供的信息猜出答案。

03

论文推荐：基于深度对抗学习的超声图像乳腺肿瘤分割与分类

件GAN (cGAN) + Atrous卷积(AC) +带权重块的通道注意力(CAW)

02

终结扩散模型：OpenAI开源新模型代码，一步成图，1秒18张

在 AI 画图的领域，人们一直关注的是扩散模型，人们一直在尝试不断改进，推出了 Stable Diffusion、Midjourney、DALL-E 等技术，并在其基础上构建应用。不过最近，OpenAI 提出的全新生成模型看起来要让这一领域经历一场革命。

02

10大深度学习架构：计算机视觉优秀从业者必备（附代码实现）

来源：机器之心作者：FAIZAN SHAIKH 本文长度为3000字，建议阅读5分钟本文包括深度学习领域的最新进展、keras 库中的代码实现以及论文链接。近日，Faizan Shaikh 在

09

终结扩散模型：OpenAI开源新模型代码，一步成图，1秒18张

机器之心报道机器之心编辑部扩散模型的时代结束了。在 AI 画图的领域，人们一直关注的是扩散模型，人们一直在尝试不断改进，推出了 Stable Diffusion、Midjourney、DALL-E 等技术，并在其基础上构建应用。不过最近，OpenAI 提出的全新生成模型看起来要让这一领域经历一场革命。与高调推出 ChatGPT 、GPT-4 不同，这次 OpenAI 在上个月偷偷上传了一篇论文《 Consistency Models 》，也不能说是偷偷，只是这次没有媒体大张旗鼓的报道，就显得这项研究

03

TII | CovTANet:用于COVID-19胸部CT扫描的基于混合三级注意力机制的分割网络

今天给大家介绍的是孟加拉工程技术大学Tanvir Mahmud课题组发表在“IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS”上的一篇文章” CovTANet: A Hybrid Tri-level Attention Based Network for Lesion Segmentation, Diagnosis, and Severit”。控制COVID-19流行病的传播面临的一个巨大的挑战是如何快速准确的诊断。作者在这篇文章中提出了混合网络CovTANet用于COVID-19的早期诊断，病灶分割和严重性预测。通过引入了多阶段优化策略解决了复杂诊断挑战，早期阶段初步优化分割网络，在分割模型编解码阶段引入了减少语义鸿沟和多尺度特征平行化快速收敛的三级注意力机制的分割网络((TA-SegNe)。实现在通道、空间和像素的三级注意力机制使网络更快更高效概括了嵌入在特征图的上下文信息。通过在大型公开数据集上实验显示模型在三个任务取得了出色的表现，这表明了现阶段COVID-19大流行中该模型的有效性。

02

10 大深度学习架构：计算机视觉优秀从业者必备（附代码实现）

选自Analytics Vidhya 作者：FAIZAN SHAIKH 机器之心编译参与：路雪、李亚洲、黄小天近日，Faizan Shaikh 在 Analytics Vidhya 发表了一篇题为《10 Advanced Deep Learning Architectures Data Scientists Should Know!》的文章，总结了计算机视觉领域已经成效卓著的 10 个深度学习架构，并附上了每篇论文的地址链接和代码实现。机器之心对该文进行了编译，原文链接请见文末。时刻跟上深度学习领域

08

原创 | 基于AI的智能急性颅内出血类型检测

颅内出血（颅骨内出血）是医疗领域严重的健康问题，需要快速且经常进行密集的医学治疗。在美国，颅内出血约占中风的10％，其中中风是导致死亡的第五大原因。在医学界，识别任何出血的位置和类型是治疗患者的关键步骤。现在的情况下需要医生或者是训练有素的专家对于病人的颅骨的医学影像进行查看并找出出血的位置从而判断出具体的出血亚型。通常这个过程很复杂、很耗时间而且会浪费很多的人力物力。所以急需一种图像处理的方法来根据医学影像来检测是否有颅内出血的现象以及具体的颅内出血的类型（亚型）。

02

手把手带你入坑迁移学习（by 当过黑客的CTO大叔）

原作 Slav Ivanov Root 编译自 Slav寄几的博客量子位出品 | 公众号 QbitAI Slav Ivanov是Post Planer（提高社交媒体影响力的App）的CTO，这个当过黑客后又从良当企业家的大叔，结合自己的创业经历，把他认为比较好的迁移学习的资料分享给大家。以下是他的原文。 ---- 现在很多深度学习的应用都依赖于迁移学习，特别是在计算机视觉领域，这篇文章主要给大家介绍一下什么是迁移学成，怎么完成迁移学习，以及可能存在的缺点。我最开始接触迁移学习，是因为创业要用到。不如

06

在Jetson NANO 2GB 上运行Hello AI World

我们将用几篇文章为读者讲解 NVIDIA 的 Jetson-inference，这个对于初学者尤为实用。本篇文章就来为大家介绍 Hello AI World。

02

农林业遥感图像分类研究[通俗易懂]

遥感图像处理是数字图像处理技术中的一个重要组成部分，长期以来被广泛应用于农林业的遥感测绘，防灾减灾等领域。本文旨在通过深度学习技术从遥感影像中分类出农田和林业地块。手工从遥感图像中分类出农田和林业区域分类虽然准确但是效率低下，并且很多采用传统图像分割技术的方法泛化性能差，不适合场景复杂的遥感图像。经实践证明，使用深度学习技术在各种计算机视觉任务中都取得了良好的效果，因此本文首先使用先进的深度学习框架进行分类实验，例如使用PSPNet,UNet等作为分割网络对遥感图像数据集进行分类与分割训练。这些框架在ImageNet，COCO，VOC等数据集上表现很好，但是由于遥感图像数据集相对于ImageNet，COCO等数据集，不仅检测对象相对较小而且可供学习的数据集样本较少，需要针对这一特点进行优化。本文经过多次实验将高分辨率的图像切割成合适大小分辨率的图像以减小神经网络的输入，同时进行图片的预处理和数据增强来丰富学习样本。同时在真实情况下，农林区域易受到拍摄视角，光照等造成分割对象重叠，因此本文提出一种处理分割对象重叠的处理策略，来优化边界预测不准确的情况，使用该方法后准确率有明显提升。经实验证明，本文所提出的基于深度学习的农林业遥感影像分割在开源遥感图像数据集上的取得了94.08%的准确率，具有较高的研究价值农林业遥感图像数据（图1）对于许多与农林业相关的应用至关重要。例如作物类型和产量监测，防灾减灾以及对粮食安全工作的研究和决策支持。最初，这些数据主要由政府机构使用。如今，蓬勃发展的农林业技术也需要在农场管理，产量预测和林业规划等各种应用领域进行革新。以往农林业地块的高质量遥感图像数据主要是手动在高分辨率图像中分割出来的，即通过土地功能不同引起的颜色，亮度或纹理的差异与周围区域亮度或纹理的差异与周围区域区分开来。尽管农林业遥感图像的手动分类可以非常准确，但是非常耗时耗力。图1.1：农田的遥感图像分割定期更新农林业遥感图像数据的需求日益增加扩大了自动化分割农林业遥感图像的需求。与ImageNet、VOC2007、COCO等目标检测/分类数据集中的大多数图像相比，农林业遥感图像中的对象相对简单。例如，人体的图像数据看起来要复杂得多，因为它包含各种不同纹理和形状的子对象（面部，手部，衣服等）。因此，优化传统的图像分割以及深度学习技术来设计用于农林业遥感图像分割的算法是非常重要的。该模型需要正确地排除不需要进行分割的对象（房屋，工厂，停车场等），区分具有几乎相似的光谱特性的相邻区域和可见度差的边界区域，并且正确地分割出所需的对象。 1.2 选题来源与经费支持本研究课题来源于计算机与信息工程学院随着传感器技术，航空航天技术，图像处理技术快速的发展，利用卫星遥感图像进行深度学习处理广泛应用于生产实际中。由于农林业遥感图像场景复杂，使用传统图像处理分割算法效果差且泛化性能弱，本文使用深度学习方法，在现有的的深度学习模型上训练，优化，最终提出一种一种优化后的深度学习模型，经测试，该模型在收集的农林业遥感图像数据集上可以准确的分割出所需的对象，本文提出的模型主要解决如下几个难点：

02

资源 | 从全连接层到大型卷积核：深度学习语义分割全指南

选自qure.ai 机器之心编译参与：路雪、蒋思源语义分割一直是计算机视觉中十分重要的领域，随着深度学习的流行，语义分割任务也得到了大量的进步。本文首先阐释何为语义分割，然后再从论文出发概述多种

06

MICCAI 2020 | 基于3D监督预训练的全身病灶检测SOTA（预训练代码和模型已公开）

由于深度学习任务往往依赖于大量的标注数据，医疗图像的样本标注又会涉及到较多的专业知识，标注人员需要对病灶的大小、形状、边缘等信息进行准确的判断，甚至需要经验丰富的专家进行两次以上的评判，这增加了深度学习在医疗领域应用的难度。

01

基于深度学习的语义分割综述

Paper链接：https://arxiv.org/abs/2001.05566

00

给NeRF开透视眼！稀疏视角下用X光进行三维重建，9类算法工具包全开源 | CVPR 2024

众所周知，X 光由于有着十分强大的穿透力而被广泛地应用于医疗、安检、考古、生物、工业检测等场景的透射成像。

01

SAM-Med | 英伟达基于SAM提出医学图像标注效率神器

使用即时学习方法展示了SAM对下游医学分割任务的泛化能力。结果显示，仅使用大约5个输入点就显著提高了分割精度。

01

AD分类论文研读（1）

原文链接摘要将cv用于研究需要大量的训练图片，同时需要对深层网络的体系结构进行仔细优化。该研究尝试用转移学习来解决这些问题，使用从大基准数据集组成的自然图像得到的预训练权重来初始化最先进的VGG和Inception结构，使用少量的MRI图像来重新训练全连接层。采用图像熵选择最翔实的切片训练，通过对OASIS MRI数据集的实验，他们发现，在训练规模比现有技术小近10倍的情况下，他们的性能与现有的基于深层学习的方法相当，甚至更好介绍 AD的早期诊断可以通过机器学习自动分析MRI图像来实现。从头开始训练一个网络需要大量的资源并且可能结果还不够好，这时候可以选择使用微调一个深度网络来进行转移学习而不是重新训练的方法可能会更好。该研究使用VGG16和Inception两个流行的CNN架构来进行转移学习。结果表明，尽管架构是在不同的领域进行的训练，但是当智能地选择训练数据时，预训练权值对AD诊断仍然具有很好的泛化能力由于研究的目标是在小训练集上测试转移学习的鲁棒性，因此仅仅随机选择训练数据可能无法为其提供表示MRI足够结构变化的数据集。所以，他们选择通过图像熵提供最大信息量的训练数据。结果表明，通过智能训练选择和转移学习，可以达到与从无到有以最小参数优化训练深层网络相当甚至更好的性能方法 CNN的核心是从输入图像中抽取特征的卷积层，卷积层中的每个节点与空间连接的神经元的小子集相连，为了减少计算的复杂性，一个最大池化层会紧随着卷积层，多对卷积层和池化层之后会跟着一个全连接层，全连接层学习由卷积层抽取出来的特征的非线性关系，最后是一个soft-max层，它将输出归一化到期望的水准因为小的数据集可能会使损失函数陷入local minima，该研究使用转移性学习的方法来尽量规避这种情况，即使用大量相同或不同领域的数据来初始化网络，仅使用训练数据来重新训练最后的全连接层研究中使用两个流行的架构： VGG16

04

体素科技：2018年，算法驱动下的医学影像分析进展

自 2012 年 AlexNet 挑战 ImageNet 获得巨大成功以来，用于图像领域的深度学习算法以令人目不暇接的速度飞速演化着。通用图像领域中，有明确边界的问题，例如特定类别有标注数据的物体检测、定位、识别，乃至特定场景的图像生成、一定精确度内的图像分割，都出现了令人更新认知的深度学习解答。目前，站在深度学习研究一线的计算机视觉研究者们，有相当一部分深入到更细分的、与应用场景联系更紧密的任务中，同时扩展算法能够覆盖的数据类型。 2018 年，在医疗影像这个分支中，来自加州的人工智能医疗公司体素科技，结合自身产品线的开发路径，发表了多篇论文，论文探讨了如何利用深度学习算法临床决策支持：例如用端到端算法处理影像中分割问题、配准问题，以及如何在标注数据有限，且迁移学习困难的情况下，利用代理监督和联合训练获得更好的模型效果。以下为论文介绍：

04

深度学习与CV教程(14) | 图像分割 (FCN,SegNet,U-Net,PSPNet,DeepLab,RefineNet)

本系列为斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

04

五个案例，三大心得，Meratix创始人带你进阶深度学习的实践应用之路

不谈理论，只谈实战。当我们需要用深度学习处理现实问题时，除了相关的技术和数据，你还需要掌握一系列的小诀窍，并将这些技巧用在级联模型、智能增强、合理的评价标准、建立可重用的训练管道、有效推断与减小模型大小等等方面。本文由深度学习的实践者，位于柏林的创业公司Merantix所著，五个案例，三大心得，带你在深度学习的应用之路上快速打怪升级。作者 | Rasmus Rothe 编译 | AI100（rgznai100）近年来，人工智能正迅速崛起，这主要归功于深度学习的成功。深度神经网络的突破来

向文本到图像扩散模型添加条件控制

Adding Conditional Control to Text-to-Image Diffusion Models

03

Kaggle百万美元大赛优胜者：如何用CNN识别CT图像检测肺癌？

王小新编译自GitHub 量子位出品 | 公众号 QbitAI 今年，Kaggle网站举办了一场用肺部CT图像进行肺癌检测的比赛Data Science Bowl 2017，提供百万美元奖金池。美国国家癌症研究所为比赛提供了高分辨率的肺部CT图像，在比赛中，参赛者根据给定的一组病人肺部CT三维图像，预测癌症风险。 Julian de Wit和Daniel Hammack合作完成的解决方案获得了比赛的第二名。Wit最近写了一篇博客来介绍他们的方案。他们通过3D卷积神经网络，来构建结节探测器，预测患癌可

07

复旦&北大&上海交大开源 Chinese-Tiny-LLM/ | 以中文为中心的大语言模型！

在语言智能新兴领域，大型语言模型（LLM）已成为自然语言处理（NLP）的基石，展示了在理解和生成人类语言方面的卓越能力。这些模型主要在英语数据集上进行训练，显著推进了计算语言学的发展，并在各种任务上设定了新的基准。然而，对英语的这种强调掩盖了人类语言的固有多样性，限制了LLM适用性和创新的范围。从最初就融入非英语语言的复杂性及细微差别的LLM的发展，仍然是一个相对未探索的领域。

01

想研究新冠CT找不到数据集？UCSD、Petuum开源COVID-CT 数据集

他们在该数据集上训练了一个深度卷积神经网络，获得了 0.85 的 F1。相关数据和代码可见于：https://github.com/UCSD-AI4H/COVID-CT

02

语义分割的基本构造_语义分割综述

语义分割（全像素语义分割）作为经典的计算机视觉问题（图像分类，物体识别检测，语义分割）。其涉及将一些原始数据（例如：平面图像）作为输入并将它们转换为具有突出显示的感兴趣区域的掩膜，其中图像中的每个像素根据其所属的对象被分配类别ID。早起的计算机视觉问题只发现边缘（线条和曲线）或渐变元素，但它们从完全按照人类感知的方式提供像素级别的图像理解。语义分割将属于同一目标的图像部分聚集在一起解决这个问题，从而扩展了其应用领域。值得注意的是，与其他的基于图像的任务相比，语义分割是完全不同且先进的。

04

Source-Free Domain Adaptation for Semantic Segmentation

无监督域自适应（UDA）可以解决基于卷积神经网络（CNN）的语义分割方法严重依赖于像素级注释数据的挑战，这是劳动密集型的。然而，这方面现有的UDA方法不可避免地需要完全访问源数据集，以减少模型自适应过程中源域和目标域之间的差距，这在源数据集是私有的真实场景中是不切实际的，因此无法与训练有素的源模型一起发布。为了解决这个问题，我们提出了一种用于语义分割的无源领域自适应框架，即SFDA，其中只有经过训练的源模型和未标记的目标领域数据集可用于自适应。SFDA不仅能够在模型自适应过程中通过知识转移从源模型中恢复和保存源领域知识，而且能够从目标领域中提取有价值的信息用于自监督学习。为语义分割量身定制的像素级和补丁级优化目标在框架中无缝集成。在众多基准数据集上的广泛实验结果突出了我们的框架相对于依赖源数据的现有UDA方法的有效性。

03

分割算法——可以分割一切目标（各种分割总结）

周末应该是一个好好休息的时间，但是一定会有在默默努力科研的你，由于最近是开学季，很多关注的朋友一直会问“计算机视觉战队平台有基础性的内容吗？”，今天我和大家说一次，我们平台之前有推送很多基础的知识，有兴趣的或者是刚刚接触CV&DL的你，可以去历史消息阅读，在这也感谢所有一直关注和支持我们的您！

04

无人驾驶 | 剑桥大学深度学习系统助力无人驾驶取得新突破(附论文、视频)

汽车要实现真正的无人驾驶，它必须能够感知和识别周围的物体，并且要知道自己的确切位置。这两方面都是无人驾驶技术的核心。英国剑桥大学的一个团队利用图像识别和深度学习技术在这两个方面取得了一定的突破。他们

05

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

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭