摘要：
yolo3各部分代码详解（超详细）,各个函数的解析 阅读全文
posted @ 2020-03-13 20:02
控制工程小小白
阅读(10078)
评论(1)
推荐(1)
摘要：
OpenCV+python 彩色图像通道拆分与组合并判断size，shape函数的用法与区别 阅读全文
posted @ 2019-12-26 11:30
控制工程小小白
阅读(1989)
评论(0)
推荐(0)
摘要：
这段话放在前面：之前一种用的Pytorch，用着还挺爽，感觉挺方便的，但是在最近文献的时候，很多实验都是基于Google 的Keras的，所以抽空学了下Keras，学了之后才发现Keras相比Pytorch而言，基于keras来写神经网络的话太方便，因为Keras高度的封装性，所以基于Keras来搭 阅读全文
posted @ 2019-11-13 23:31
控制工程小小白
阅读(1809)
评论(0)
推荐(0)
摘要：
写在前面： 本人小白研一，刚开始学习深度学习，将自己的第一个实验过程总结下来，看了很多的大牛的博客，在下面的程序中也参考了很多大牛的博客。在刚开始入门的学习的时候，直接编写程序下载数据集，但是后来觉得可能会用到自己手动构建数据集。所以自己参考了一些博客，尝试了从自己手动构造数据集——搭建Resnet 阅读全文
posted @ 2019-11-07 17:06
控制工程小小白
阅读(4325)
评论(0)
推荐(0)
摘要：
本文主要是提出了一种级联结构，采用三个网络（WNet，TNet，ENet），每个网络的输入大小分别为2217,217,113。分别用于脑胶质瘤的不同部分进行分割，第一个网络（WNet）在整个图像上进行分割，分割出整个肿瘤，然后在整个肿瘤部分选取一个bounding box，作为TNet的输入，分割出 阅读全文
posted @ 2020-07-13 16:43
控制工程小小白
阅读(1047)
评论(0)
推荐(0)
摘要：
首先说一下我对这个方案的看法，相比第一名与第二名的方案，这个方案的分割方法确实复杂的多，原论文是发表在MICCAI，后来砖投到IEEE image processing（SCI 1区），总体感觉给人一种花里胡哨的感觉，但是看分割结果，却着实让人满意。以下将解析此论文。 摘要 肿瘤分割的一个主要难点就 阅读全文
posted @ 2020-07-08 18:33
控制工程小小白
阅读(1484)
评论(0)
推荐(0)
摘要：
基于深度学习的脑胶质瘤分割方法的研究 针对传统Unet模型较浅问题解与与二维全卷积神经网络存在的三维空间信息获取不足以及三维全卷积神经网络显存消耗问题，提出了DM-DA-Unet（Dual Multidimensional Dense Attention Unet，并与ResUnet进行对比。其中D 阅读全文
posted @ 2020-05-28 23:05
控制工程小小白
阅读(806)
评论(0)
推荐(0)
摘要：
1 import os 2 import numpy as np 3 import cv2 4 import matplotlib.pyplot as plt 5 from PIL import Image 6 def create_train_data(data_path,file_path,im 阅读全文
posted @ 2020-03-27 12:36
控制工程小小白
阅读(4771)
评论(0)
推荐(0)
摘要：
0 前言 在现实的实战过程中，遇到的数据集往往不是类似于mnist一样已经打包好的数据集，而是以图片形式存在文件夹中，对于这种情况是没有相关函数（如load_data()函数）直接加载的，因此，下面我将提出两种构建数据集的方法。 方法1 .flow_from_directory（），这个函数在数据增 阅读全文
posted @ 2020-02-26 20:43
控制工程小小白
阅读(10267)
评论(0)
推荐(0)
摘要：
MATLAB 批量修改图片后缀名并保存在指定的路径 阅读全文
posted @ 2020-02-26 18:05
控制工程小小白
阅读(1055)
评论(0)
推荐(0)
摘要：
tensorflow识别Mnist时，训练集与验证集精度acc高，但是测试集精度低的比较隐蔽的原因除了网上说的主要原因https://blog.csdn.net/wangdong2017/article/details/90176323 之外，还有一种是比较隐蔽的原因（可能对于大多数人不会犯这种低级 阅读全文
posted @ 2020-02-13 16:21
控制工程小小白
阅读(3682)
评论(0)
推荐(0)
摘要：
之前没有学过tensorflow，所以使用tensorflow来对mnist数据进行识别，采用最简单的全连接神经网络，第一层是784,（输入层）,隐含层是256，输出层是10 ，相关注释卸载程序中。 1 #!/usr/bin/env python 3.6 2 #_*_coding:utf-8 _*_ 阅读全文
posted @ 2020-02-13 16:00
控制工程小小白
阅读(905)
评论(0)
推荐(0)
浙公网安备 33010602011771号