腾讯云开发者社区-腾讯云

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

CV学习史

专栏作者

84

文章

90140

阅读量

19

订阅数

基本图像操作和处理(python)

编程算法图像处理

PIL提供了通用的图像处理功能，以及大量的基本图像操作，如图像缩放、裁剪、旋转、颜色转换等。

2019-09-10

1.2K0

使用3D Slicer对图像进行配准

在进行深度学习之前，我们需要图像进行一些预处理操作，其中配准是很重要的一环，以下将介绍使用软件3D Slicer来进行图像配准

2019-09-10

1.9K0

使用3D Slicer进行颅骨去除

关于3D Slicer的下载、安装及模块安装在上一篇博客中以及介绍过，以下将专注于使用3D Slicer进行颅骨去除

2019-09-10

1.2K0

GoogLeNetv3 论文研读笔记

卷积网络是目前最新的计算机视觉解决方案的核心，对于大多数任务而言，虽然增加的模型大小和计算成本都趋向于转化为直接的质量收益（只要提供足够的标注数据去训练），但计算效率和低参数计数仍是各种应用场景的限制因素。目前，我们正在探索增大网络的方法，目标是通过适当的分解卷积和积极的正则化来尽可能地有效利用增加的计算

2019-09-10

5650

AD分类论文研读（1）

机器学习人工智能图像处理深度学习卷积神经网络

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

2019-09-10

6730

Deep learning with Python 学习笔记（2）

卷积神经网络 keras 图像处理

卷积神经网络接收形状为 (image_height, image_width, image_channels)的输入张量(不包括批量维度)，宽度和高度两个维度的尺寸通常会随着网络加深而变小。通道数量由传入 Conv2D 层的第一个参数所控制

2019-09-10

6300

niftynet Demo分析 -- brain_parcellation

图像处理 python 编程算法

论文详细介绍通过从脑部MR图像中分割155个神经结构来验证该网络学习3D表示的效率目标：设计一个高分辨率和紧凑的网络架构来分割体积图像中的精细结构特点：大多数存在的网络体系结构都遵循完全卷积下行-向上采样路径。具有高空间分辨率的低层次特征首先被下采样用于更高层次的特征抽象;然后对特征图进行上采样，以实现高分辨率分割。本论文提出了一种新的3D架构，它包含了整个层的高空间分辨率特征图，并且可以在广泛的接受领域中进行训练验证：通过从T1加权MR图像中自动进行脑区分割成155个结构的任务来验证网络，验证了采用蒙特卡罗方法对实验中存在漏失的网络进行采样来对体素水平不确定度估计的可行性结果：经过训练的网络实现了通用体积图像表示的第一步，为其他体积图像分割任务的迁移学习提供了一个初始模型

2019-09-10

4950

医学图像了解

区块链图像处理

医学图像是反映解剖区域内部结构或内部功能的图像，它是由一组图像元素——像素（2D）或立体像素（3D）组成的。医学图像是由采样或重建产生的离散性图像表征，它能将数值映射到不同的空间位置上。像素的数量是用来描述某一成像设备下的医学成像的，同时也是描述解剖及其功能细节的一种表达方式。像素所表达的具体数值是由成像设备、成像协议、影像重建以及后期加工所决定的

2019-09-10

1.7K0

基本图像操作和处理(python)

编程算法图像处理

PIL提供了通用的图像处理功能，以及大量的基本图像操作，如图像缩放、裁剪、旋转、颜色转换等。

2019-09-05

1.1K0

没有更多了

社区活动

腾讯技术创作狂欢月

“码”上创作 21 天，分 10000 元奖品池！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态