图像处理Author：louwillMachine Learning Lab从本文开始，笔者计划花一些时间对传统的图像分割算法进行一个系统的梳理，叙述方式仍然是以原理阐述和代码实现为主。谈...

VisualTransformerAuthor：louwillMachine Learning Lab 在深度学习医学图像分割领域，UNet结构一直以来都牢牢占据着主导地位。自从2...

深度学习100问Author：louwillMachine Learning Lab所谓深监督(Deep Supervision)，就是在深度神经网络的某些中间隐藏层...

在上一讲中，笔者简单地介绍了变分自编码器的基本原理。本节及下一节，笔者将介绍一种特殊的自编码器模型——变分自编码器（Variational autoencode...

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...

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...

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...

在上一节中，笔者对语音识别系统的概述、信号处理和特征提取方法以及基于传统 GMM 和 HMM 的声学模型进行了简单的综述，详情可戳： 本节，笔者继续对语...

上周GPT大更新，不仅开放了GPT-4-Turbo、GPT-4-Vision等模型api，还发布了GPTs，使得用户能够根据需要定义自己的GPT应用，OpenAI在这波AI革命上又一次震撼世人。笔者也在上周拿到了几个新模型的api资格，一直盼着可以测试年初就官宣的多模态功能，所以迫不及待的就测了一波。DALL.E 3绘图功能测试from openai import OpenAIclient ...

前面笔者花了数讲的时间讲解了基于神经网络和深度学习模型的自然语言处理技术，对深度学习在常规的文本序列模型中有了一个基本的了解。本节笔者要给大家介绍序列模型的一个...