我个人感觉现在深度学习的语义分割对普通人越来越不友好了，现在分割网络逐渐开始拼财力拼服务器算力了，对于普通人来说跑一些简单的网络做一些简单的修改发一些好文章越来越难了。现在大组逐渐开始讲究团队合作了。对于我们普通人来说只能走一步看一步了。

在目标检测和分割的任务中，我们都喜欢用多尺度 特征融合操作来提高准确率。以语义分割为例，大家在看到U-Net 以后想到的第一个自认为的创新就是加上 ASPP 结构。加上一个特征金字塔结构。然后做实验发现整个效果还是不错的。其实这个特征金字塔的结构就是一个多尺度特征融合的例子。在这里也可以证明了多尺度特征融合在深度学习中的好处。那为什么多尺度融合有效果呢。我们知道现在的检测和分割网络基本都喜欢用卷积

其实一开始看到这个网络结构，我感觉有点恍惚，这都2023年了，还有人 这样魔改U-Net, 但是当我看我以后，发现了一些新的思路与方法。具体网络结构与细节，大家可以具体看看论文，我看完这篇文章的感觉，不在于模型设计的两个模块的精巧，而是看到原来还可以这样多层预测进行分割呀。通过这些高级模块的集成，EGE-UNet 在比先前的方法提升了分割性能的同时，显著减少了参数和计算负载。随着transform

最近在进行医学图像的处理研究，主要是进行了颅内血管的CT图像的分割研究。现阶段进行深度学习的图像分割的研究基本就是几种比较成熟的几个方法，FCN，u-net deeplab等一些方法。具体方法的操作，我这里就不细说了。大家可以自己去看看论文。现阶段进行医学图像的深度学习处理的方法，最大的瓶颈就是数据量比较少，导致网络训练不是很理想。由于进行颅内血管的数据量也比较少，所以需要进行一定的数据量...

在目标检测和分割的任务中，我们都喜欢用多尺度 特征融合操作来提高准确率。以语义分割为例，大家在看到U-Net 以后想到的第一个自认为的创新就是加上 ASPP 结构。加上一个特征金字塔结构。然后做实验发现整个效果还是不错的。其实这个特征金字塔的结构就是一个多尺度特征融合的例子。在这里也可以证明了多尺度特征融合在深度学习中的好处。那为什么多尺度融合有效果呢。我们知道现在的检测和分割网络基本都喜欢用卷积

我在使用spyder 运行keras 程序时每次都出现了An error ocurred while starting the kernel 。最后查了好几种方法，才解决了。下面我就分享一下。第一种方法：在终端中输入spyder --reset，重置spyder配置，问题得以解决。这种方法我试了一下 发现问题没有解决。各位可以试试看。也许你的可以解决。第二种方法在终端输入了c...

最近在学习一些分类网络，发现现在直接使用新的网络结构提高整个分类准确度已经很难了，现在人们提出了各种新型的训练思路。我发现这个知识蒸馏训练的思路真的很好。我看完以后发现可以做的事很多。知识蒸馏是利用从一个大型模型或模型集合中提取的知识来训练一个紧凑的神经网络。利用这些知识，我们可以在不严重影响紧凑模型性能的情况下，有效地训练小型紧凑模型。大、小模型我们称大模型或模型集合为繁琐模型或教师网络，而称小

在使用keras 训练网络时，虽然网络设计好了，数据也加载进去了，但是发现训练时候总是出现各种各种稀奇古怪的问题。我在这里就列举几个常见的问题。供大家参考一下。当val_loss曲线或val_acc曲线震荡不平滑时的原因可能如下：1 学习率可能太大2 batch size太小3 样本分布不均匀4 缺少加入正则化大家可以在这几个方面去进行调整，一步一步的调整，先调整学习率，然后再...

一种用于无注册红外-可见图像融合的单阶段框架。与传统的两阶段方法不同，MulFS-CAP结合了隐式注册和融合，简化了处理流程并增强了实用性。该方法使用共享的浅层特征编码器，同时进行特征对齐和图像融合。通过引入可学习的模态字典，该方法有效减少了模态差异对交叉模态特征对齐的影响，能够在同时进行注册和融合的同时保持特征一致性。此外，MulFS-CAP提出了一种新的交叉模态对齐方法，利用相关矩阵来细化红外

其实一开始看到这个网络结构，我感觉有点恍惚，这都2023年了，还有人 这样魔改U-Net, 但是当我看我以后，发现了一些新的思路与方法。具体网络结构与细节，大家可以具体看看论文，我看完这篇文章的感觉，不在于模型设计的两个模块的精巧，而是看到原来还可以这样多层预测进行分割呀。通过这些高级模块的集成，EGE-UNet 在比先前的方法提升了分割性能的同时，显著减少了参数和计算负载。随着transform