分享深度学习课程——《人工智能：深度学习从入门到精通2022》课程从框架到模型，从理论到实战，循序渐进系统进阶。结合几十个配套案例，全面覆盖深度学习核心应用场景，具体包含：数据使用、图像分类、图像分割、目标检测、图像生成GAN、模型分析、设计与优化、人脸图像检测与识别、视频分类与行为识别等等，深度学习从零到精通！

_python__代码_相关文件_下载 这个 repo 是为评估二值图像分割结果而开发的。 已实施的措施 MAE 平均绝对误差 Precision, Recall, F-measure (这是sal_eval_toolbox中算法的python实现) 精确召回曲线 精确召回曲线 F-测量曲线 更多详情、使用方法，请下载后阅读README.md文件

vbm8工具箱在spm8中运行。也就是说，需要将spm8安装到您的 安装vbm8工具箱之前的matlab搜索路径(参见http://www.fil.ion.ucl.ac.uk/spm/和http://en.wikibooks.org/wiki/SPM)。 预处理步骤： （1）T1图像归一化到模板空间，分割为灰质(GM)、白质(WM)和脑脊液(CSF)。预处理参数可以通过预估写入模块进行调整。 （2）在预处理完成后，强烈建议进行质量检查。这可以通过模块“显示所有图像的一片”和“使用协方差检查样本同质性”来实现。两个选项都位于“vbm8检查数据质量”下。 （3）在将gm图像输入统计模型之前，需要对图像数据进行平滑处理。值得注意的是，这个步骤并没有在vbm8工具箱中实现，而是通过标准spm模块“Smooth”实现的。

用卷积滤波器matlab代码KiU-Net-Pytorch | | | 在MICCAI 2020及其上发表的论文的官方Pytorch编码 期刊扩展： 关于此仓库： 此存储库托管以下网络的代码： KiU-Net 2D KiU-Net 3D Res-KiU网 致密网 它还具有组织用于通用2D图像分割和BraTS，LiTS数据集的3D体积分割的数据加载器； 便于对医学图像和体积分割算法进行基准测试。 介绍 在通用的“编码器-解码器”体系结构中，编码器的最初几个块学习数据的低级特征，而后面的块学习高级数据。 最终，编码器学会了将数据映射到较低维度（在空间意义上）。 随着网络深度的增加，接收场的大小也限制了网络将更多的精力放在更高层次的功能上。 在我们提出的体系结构中，我们引入了Ki-Net，其中我们使用了过完整的表示形式，这限制了接收域的增加。 这是通过对编码器的体系结构进行简单的更改来完成的，其中最大池化被上采样替代。 这有助于深层过滤器将更多的注意力集中在低级细节上，从而有助于细分。 当使用U-Net增强时，该网络称为KiU-Net，在分割较小的解剖标志和模糊的噪声边界的情况下，可以带来显

u-net经典神经网络模型代码，适用于医学图像分割领域，可以根据此代码搭建

给1万帧视频做目标分割，显存占用还不到1.4GB 整个AI框架由3个端到端卷积网络组成。 一个查询编码器（Query encoder）用来追踪提取查询特定图像特征。 一个解码器（Decoder）负责获取内存读取步骤的输出，以生成对象掩码。 一个值编码器（Value encoder）可以将图像和目标的掩码相结合，从而来提取新的内存特征值。 最终值编码器提取到的特征值会添加到工作内存中。 从实验结果来看，该方法在短视频和长视频上，都实现了SOTA

针对极化SAR（PolSAR）遥感图像分割，提出了一种空间受限的核模糊C均值（SCKFCM）算法。 与经典的模糊C均值（FCM）算法相比，核方法可以执行从原始空间到核空间的非线性映射。 因此，SCKFCM不受遥感图像数据分布的影响。 此外，为了克服斑点噪声的影响，在目标函数中增加了空间约束项，可以有效地提高图像分割的准确性。 PolSAR图像分割的实验结果证明了所提出的SCKFCM方法的有效性。

一种快速的抗噪声模糊C均值图像分割算法 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出。该算法结合像素灰度值相似度和隶属度构造了一个新的空间函数。该空间函数用于更新成员关系，而成员关系又用于迭代地获取聚类中心。所提出的算法可以在较少的迭代次数下获得理想的分割结果，有效地降低了噪声的影响。

【图像分割】基于哈里斯鹰优化多阈值实现图像分割附matlab代码

视网膜血管的自动分割在糖尿病和高血压等疾病的诊断中起着重要作用。针对现有算法在细小血管和病变区域血管分割能力不足的问题,提出了一种基于改进整体嵌套边缘检测(HED)网络的视网膜血管分割算法。首先,采用了一种残差可变形卷积块代替普通卷积块,增强模型捕获血管形状和尺寸的能力;其次,采用扩张卷积层取代原有的池化层,用以保留血管特征的空间位置信息;最后,使用具有底部短连接结构的HED网络框架对预训练的网络进行特征提取和融合,使得模型可以更好地将骨干网络所提取的视网膜图像中血管的高级结构信息与低级细节信息相融合。通过在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE(Structured Analysis of the Retina)数据集上进行验证,所提网络的灵敏度分别达到了81.75%和80.68%,特异性分别达到了97.67%和98.38%,准确性分别达到了95.44%和96.56%,受试者工作特征曲线(ROC)的曲线下面积(AUC)分别达到了98.33%和98.12%,实现了优于其他先进方法的综合分割性能。