前天（4月5号）OpenAI声称因为算力不足暂时关闭了升级Plus账号的通道，恢复时间未知。很多用户感慨GPT-4还没体验到就没了。没想到时隔一天，OpenAI就重新开放了升级通道，不知道是真的算力不足还是营销策略。不过考虑到不知道OpenAI会不会未来经常算力不足，有GPT-4使用需求的朋友可以考虑尽快升级为Plus用户。随着大模型和AGI的风靡，最近一段时间，笔者所创建的社群都在讨论GPT和A

深度学习100问Author：louwillMachine Learning Lab在系列第16问中我们就提到U-shape和空洞卷积在语义分割网络结构中两大经典设计...

《深度学习图像分割》这本书写写停停，历经三年多，目前在二稿修订中。正式出版之前，计划先在GitHub做逐步的内容和代码开源。以下为本书第2章节选内容：图像分割是数字图像处理和计算机视觉领域中的一个经典问题，旨在将图像划分为若干具有特定意义的子区域或目标对象。图像分割是一种典型的图像处理方法，其输入和输出都是图像。传统的图像分割方法通常基于图像的两个基本属性：灰度值的不连续性和灰度值的相似性，并围绕

VisualTransformerAuthor：louwillMachine Learning Lab 自从Transformer在视觉领域大火之后，一系列下游视觉任务应用研究也随...

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

图像分割的目的是将图像划分为多个不同的区域，所以我们可以直接从寻找图像中的区域来设计分割算法。区域生长正是一种基于区域寻找的传统图像分割算法。区域生长基本原理区域生长（Region Growth）算法是一种基于区域的传统图像分割算法。区域生长可以根据预先定义的生长规则将像素或者小区域不断组合为更大区域的过程。具体地，区域生长是从一组初始种子点出发，通过预先定义的区域生长规...

自从今年以来ChatGPT爆火和GPT-4的发布，一时间在大模型的潮流下，通用人工智能（AGI）也呼之欲出。随着本月初SAM和SegGPT等通用的CV大模型的提出，大模型和通用模型这把火也逐渐烧到的CV领域，特别是图像分割领域。很多做分割方向的小伙伴自我调侃说一觉醒来，自己的方向没了。笔者所在的医学影像行业，一直以数据和高成本标注而筑起非常高的领域壁垒。几个月前要是有人跟我说想做一个医学影像的通用

深度学习100问Author：louwillMachine Learning Lab在系列第16问中我们就提到U-shape和空洞卷积在语义分割网络结构中两大经典设计...

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...

在Lovart中使用图像模型生成超详细的图文笔记，可以视为信息图的一种高端玩法，这个也是这两天除了手办之外，Nano最流行的玩法。目前Lovart上Nano banana和Seedream-4.0都可以支持，所以最强的图像生成的模型，配上最强的设计AI，碰撞出的火花也无可比拟。原以为Nano banana会在很长一段内没有竞争对手，但没想到，不到两周的时间，字节就搞出了与之匹敌的Seedream-