ParseNet通过全局平均池化的方法在FCN基础上直接获取上下文信息，图5-3为ParseNet的上下文提取模块，具体地，使用全局平均池化对上下文特征图进行池化后得到全局特征，然后对全局特征进行L2规范化处理，再对规范化后的特征图反池化后与局部特征图进行融合，融合得到的特征图最终能够显著提升语义分割效果。多尺度结构的设计理念在于通过增强模型对不同尺度上下文的感知能力，提升语义分割的精细度和全局一

R Markadown 作为一款通过R语言创建动态文档的写作排版工具，为数据科学提供了现成的写作框架。通过R Markdown 不仅可以运行和保存R代码，还可以...

对于高分辨率的图像分割问题，基于编解码结构的分割网络虽然有效，但因为卷积和池化下采样的存在，特征图在变小的过程会逐渐损失一些细粒度的信息，非常不利于高分辨率图像的像素稠密预测。针对这个问题，此前的各项研究归纳而言提出了如下三点处理方法：（1）类似于FCN和UNet，直接使用转置卷积上采样来恢复图像像素，但转置卷积对于下采样过程中丢失的低层信息的恢复能力有限。（2）使用空洞...

在语义分割发展早期，一些研究观点认为将CNN用于图像分割主要存在两个问题：一个是下采样导致的信息丢失问题，另一个则是CNN的空间不变性问题，这与CNN本身的特性有关，这种空间不变性有利于图像分类但却不利于图像分割中的像素定位。从多尺度和上下文信息的角度来看，这两个问题是导致FCN分割效果有限的重要原因。因而，相关研究针对上述两个问题提出了Deeplab v1网络，通过在常...

在笔记 1 和 2 里笔者使用 numpy 手动搭建了感知机单元与一个单隐层的神经网络，理解了神经网络的基本架构和传播原理，掌握了如何从零开始手写一个神经网络。但...

在上一讲中，我们对卷积神经网络中的卷积操作进行了详细的解读，但仅仅是对二维图像，即通道数为 1 的图像（灰度图）进行了卷积，对于三维或者更高维的图像卷积显然并...

大家好！我是louwill。深度学习近年来在众多领域已取得了令人瞩目的成就，计算机视觉正是其中的典型代表。图像分割是图像处理和计算机视觉的一个重要应用方向，在深度学习的影响下，图像分割经历了由传统图像处理技术向深度学习主导的重要转变。特别是去年SAM等一众图像分割大模型涌现，深度学习图像分割发展已近白热化。过去一年里，《深度学习图像分割》这本书已完成初稿，近日在整理相关文献以备下一轮修改。这本书累

UNet的编解码结构一经提出以来，大有统一深度学习图像分割之势，后续基于UNet的改进方案也经久不衰，一些研究者也在从网络结构本身来思考UNet的有效性。比如说编解码网络应该取几层，跳跃连接是否能够有更多的变化以及什么样的结构训练起来更加有效等问题。UNet本身是针对医学图像分割任务而提出来的网络结构，该任务不像自然图像分割，对分割精度要求并不是十分严格。但对于医学图像而...

与线性规划不同的是，非线性规划要求目标函数或约束条件中含有非线性函数。相应的求解这类问题就要用到非线性规划的方法。约束条件或者目标函数的放宽使得规划模型更...

相较于常规的自然图像，以UNet为代表的编解码网络在医学图像分割中应用更为广泛。常见的各类医学成像方式，包括计算机断层扫描（Computed Tomography, CT）、核磁共振成像（Magnetic Resonance Imaging, MRI）、超声成像（Ultrasound Imaging）、X光成像（X-ray Imaging）和光学相干断层扫描（Optica...