autoencoder可以用于数据压缩、降维，预训练神经网络，生成数据等等Auto-Encoder架构需要完成的工作需要完成Encoder和Decoder的训练例如，Mnist的一张图片大小为784维，将图片放到Encoder中进行压缩，编码code使得维度小于784维度，之后可以将code放进Decoder中进行重建,可以产生同之前相似的图片。Encoder和Decoder需要一起进行训练。输入
转载
2024-05-03 11:45:21
111阅读
TensorFlow模型实现：UNet模型1.UNet模型# -*-coding: utf-8 -*-""" @Pro
原创
2022-08-24 17:04:33
319阅读
Unet论文地址：A Nested U-Net Architecture for Medical Image SegmentationUnet是比较早的基于深度学习的分割算法了，优点是速度真的快（P100上基于VGG的backbone能跑到50帧），同时不是太开放的场景下可以做到令人满意的分割效果，在对实时性要求较高的场合下是比较适用的（不是所有的场合都能上MaskRCNN的，Backbone大一
转载
2024-04-09 10:37:48
210阅读
Unet——用于图像边缘检测，是FCN的改进如上图是UNET的架构图，可以发现器输入图像和输出图像不一致，如果我们需要输入图像和输出图像一致时，在卷积时，使用padding=“SAME”即可，然后再边缘检测时，就相当与像素级别的二分类问题，用交叉熵做loss函数即可。但位置检测常用IOU作为loss函数。 个人觉得UNET的优点：1.Unet的去除了全链接层，可以接受图像大小不一致的输入
转载
2023-05-31 11:59:21
5063阅读
x = tf.placeholder(tf.float32, [None, 784])x isn't a specific value. It's a placeholder, a value that we'll input when we ask TensorFlow to run a computation. We want to be able to input any
转载
2024-04-30 05:59:33
35阅读
使用 TensorFlow, 你必须明白 TensorFlow:使用图 (graph) 来表示计算任务.在被称之为 会话 (Session)使用 tensor 表示数据.通过 变量 (Variable)使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.op (operation 的缩写). 一个 op
转载
2024-02-23 20:39:59
33阅读
AlexNet主要技术点AlexNet使用的主要技术： 1. 使用ReLU作为CNN的激活函数，解决了Sigmoid在较深网络中的梯度弥散问题（vanishing gradient problem）. 2. 训练时使用Dropout随机忽略一部分神经元，避免了模型的过拟合问题． 3. 在CNN中使用重叠的最大池化，避免了平均池化造成的模糊效果．同时让步长小于池化核的尺寸，使池化层的输出发生重
转载
2024-07-30 11:25:48
45阅读
推荐：TensorFlow Lite for Unity 示例库去发现同类优质开源项目:https://gitcode.com/项目介绍TensorFlow Lite for Unity Samples 是一个专为 Unity 开发者设计的开源项目，它移植了 TensorFlow Lite 的多个示例应用，并集成了 MediaPipe 框架的实用功能。这个项目旨在简化在 Unity 中使用 Ten
亚马逊MXNet在CNN、RNN与NLP情感分析任务上性能强劲，而TensorFlow仅擅长于特征提取。
深度学习框架哪家强：TensorFlow？Caffe？MXNet？Keras？PyTorch？对于这几大框架在运行各项深度任务时的性能差异如何，各位读者不免会有所好奇。微软数据科学家Ilia Karmanov最新测试的结果显示，亚马逊MXNet在CNN、RNN与NLP情感分析任务上性能
Transformer-Unet: Raw Image Processing with UnetAbstractSection I IntroductionSection II Related WorkSection III MethodSection IV ImplementationSection V
Conclusion Unet) Abstract医学图像分割任务在医学图像分析领域十分
转载
2024-04-11 21:10:16
311阅读
向AI转型的程序员都关注了这个号????????????人工智能大数据与深度学习 公众号：datayxretina-unet该项目使用U-Net完成眼底血管分割任务, 主要包括以下内容:...
转载
2021-10-24 10:38:56
1051阅读
向AI转型的程序员都关注了这个号????????????人工智能大数据与深度学习 公众号：datayxretina-unet该项目使用U-Net完成眼底血管分割任务, 主要包括以下内容:...
转载
2022-02-16 11:15:28
389阅读
tensorflow的工程有使用python的多进程读取数据，然后给feed给神经网络进行训练。也有tensorflow中的 tf.data.DataSet的使用。并且由于是tensorflow框架的内容，会让工程看起来更加连贯流畅。这里我们需要先了解 tf.data 下的两个类：tf.data.DataSet：将我们的numpy数据 转换成 tensorflow的DataSet数据tf.data
转载
2024-08-10 17:43:24
42阅读
TensorFlow - 保存和恢复
https://tensorflow.google.cn/guide/saved_modelTensorFlow 指南 - TensorFlow 工作原理https://tensorflow.google.cn/guidetf.train.Saver 类提供了保存和恢复模型的方法。通过 tf.saved_model.simple_save 函数可轻
主要将模型的搭建移植到keras，参照上一篇博客。新的差异主要如下：1. 之前我们可以初始化一个tensor,可以通过tf.nn,或者tf.layers模块，有些模块中出现了重复的片段，因此新的版本保留的前提下， 引入了一个新的tensorflow.keras.layers全新的模块。tf.keras.layers.Dense（units,activate,use_bais,input
转载
2024-03-05 23:53:44
51阅读
带注意力机制的seq2seq理论回忆一下seq2seq，编码器的输出了一个state给解码器，context = state[-1].repeat(X.shape[0], 1, 1)，解码器吧state作为上下文对象和解码器输入一起并入丢到RNN中。seq2seq解码器class Seq2SeqDecoder(d2l.Decoder):
"""用于序列到序列学习的循环神经网络解码器"""
转载
2024-04-01 13:45:44
82阅读
UNETR: Transformers for 3D Medical Image Segmentation摘要自过去十年以来，具有收缩和扩展路径的完全卷积神经网络（FCNN）在大多数医学图像分割应用中显示出突出的地位。在FCNNs中，编码器通过学习全局和局部特征以及可由解码器用于语义输出预测的上下文表示来发挥不可或缺的作用。尽管它们取得了成功，但FCNN中卷积层的局部性限制了学习长程空间依赖性的能
转载
2024-05-06 15:29:25
447阅读
今天将分享Unet的改进模型MA-UNet，改进模型来自2020年的论文，简单明了给大家分析理解该模型思想。
原创
2022-07-21 11:06:29
375阅读
# U-Net 网络的 Python 实现
U-Net 是一种用于图像分割的深度学习模型，最初是为生物医学图像处理而设计的。其主要特点是通过对称的编码器-解码器结构，有效地捕捉特征并结合上下文信息，实现准确的分割。本文将介绍 U-Net 网络的 Python 实现，并通过代码示例帮助读者理解其工作原理。
## U-Net 网络结构
U-Net 网络的结构通常分为两个主要部分：编码器和解码器。
原创
2024-10-26 06:56:13
100阅读
Unet++网络Dense connectionUnet++继承了Unet的结构，同时又借鉴了DenseNet的稠密连接方式（图1中各种分支）。作者通过各层之间的稠密连接，互相连接起来，就像Denset那样，前前后后每一个模块互相作用，每一个模块都能看到彼此，那对彼此互相熟悉，分割效果自然就会变好。在实际分割中，一次次的下采样自然会丢掉一些细节特征，在Unet中是使用skip connection
转载
2024-04-09 16:29:03
349阅读
