在进行图像分割时，发现一个问题，在不加dropout 时整个模型的训练准确率可以很快的提升，但是验证集的准确率很难提升上去。但是在加了dropout 之后，发现模型训练集准确率提升就会很慢，也很难达到没有加入dropout的效果。验证集的准确率提升的并没有想象的那么明显。所以怀疑dropout的加入对于整个网络模型的提升到底有多大。看了相关文章说dropout对于模型准确度的提升没有想象的那么有作

一卷积神经网络的特征卷积神经网络是在BP神经网络的改进，与BP类似，都采用了前向传播计算输出值，反向传播调整权重和偏置；CNN与标准的BP最大的不同是：CNN中相邻层之间的神经单元并不是全连接，而是部分连接，也就是某个神经单元的感知区域来自于上层的部分神经单元，而不是像BP那样与所有的神经单元相连接。CNN的有三个重要的思想架构：1）局部区域感知 2）权重共享 3）空间或时间上的...

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...

现在由于深度学习有监督分割基本也搞到头了，各种新网络新结构层出不穷，人们把精力主要放到了半监督分割任务上了。半监督学习旨在通过结合少量标记数据和大量未标记数据来取得可喜的结果，因此关键步骤是为未标记数据设计有效的监督。因此，已经提出了许多方法来有效地利用未注释的图像。今天看到一篇毕竟好的论文，整个思路并不复杂，给人感觉，原来还可以这么弄呀。通过图片，我们可以发现，这是一个典型的UNet 神经网络，

最近发现了一篇挺好的论文，虽然不是语义分割方面的论文，但是看完以后还是很有启发性的。论文名称：Masked Feature Prediction for Self-Supervised Visual Pre-Training 这是一种新的自监督学习算法，当然依然利用最近何大佬提出的mask-and-predict这样的思想来实现自监督学习预训练。其中最大的区别在于利用mask后的图像直接在特征空间

这篇文章也是一个医学图像语义分割的模型，同样是基于U-Net，UCTransNet文章一开始分析了，U-Net 的各种形式，对于大家熟悉的跳连接进行了分析。发现由于编解码器阶段特征集不兼容，并不是每个跳跃连接设置都是有效的，甚至一些跳跃连接会对分割性能产生负面影响;原有的U-Net在某些数据集上比没有跳过连接的U-Net更差。后来作者提出了一种新的模型结构，具体来说，CTrans(Channel

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

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