黄金分割搜索算法

课程分享，Pytorch生物医学视觉深度学习课程（图像分类+语义分割+目标检测），共26章，提供课程配套的全部代码+课件+数据下载。共7个完整项目。

项目描述参见：https://handsome-man.blog.csdn.net/article/details/106291657

1.引言 在监督学习领域，人类已经取得了很大的进步，但这也意味着我们需要大量带标签的数据来训练模型，这些算法需要把这些数据扫描一遍又一遍来寻找最优模型参数。然而现实生产活动中，带标签的数据相对缺乏，海量的无标签数据没有得到充分利用，本篇博文将浅显的介绍下一种半监督方法——伪标签。 2.什么是伪标签 伪标签是将可靠的测试数据的预测结果添加到训练数据。伪标签的建立过程大概有五步：（1）利用训练数据建立模型；（2）预测未知测试数据集的标签；（3）在训练数据中加入可靠的测试数据预测值；（4）利用组合数据训练新模型或微调第一步中的模型；（5）使用新模型预测测试集数据。 3. 训练过程 本篇博文参考的是

阈值操作属于像素级处理。在灰度图像中，每个像素都有一个灰度值，我们可以对灰度 值设置阈值，像素与阈值比较，来实现对图像进行灰度较小和较大的噪声滤波处理，或者突 出图像与背景的灰度差等等功能。 阈值化操作在图像处理中是一种常用的算法，比如图像的二值化就是一种最常见的一种 阈值化操作。opencv2 和 opencv3 中提供了直接阈值化操作 cv::threshold()和自适应阈值化操 作 cv::adaptiveThreshold()两种阈值化操作接口。阈值化操作的基本思想是，给定一个输入数 组和一个阈值，数组中的每个元素将根据其与阈值之间的大小发生相应的改变。 C

【图像分割】 DBSCAN算法超像素分割【含Matlab源码 515期】.zip

影音快速分割转换工具,支持对视频、音频、图片等全部常用媒体格式的快速转换、快速切割、影音合并、批量处理。

颜色分类leetcode 序列网 血管分割和动脉/静脉分类的联合学习 视网膜成像是诊断各种疾病的宝贵工具。 然而，即使对于有经验的专家来说，阅读视网膜图像也是一项困难且耗时的任务。 自动视网膜图像分析的基本步骤是血管分割和动脉/静脉分类，它们提供有关潜在疾病的各种信息。 为了提高现有的视网膜图像分析自动化方法的性能，我们提出了两步血管分类。 我们采用基于 UNet 的模型 SeqNet 从背景中准确地分割血管并对血管类型进行预测。 我们的模型按顺序进行分割和分类，这减轻了标签分布偏差的问题并促进了训练。 模型 图 1 SeqNet 的网络架构。 用法 训练时，数据集应放置在./data/ALL ，遵循./utils/prepare_dataset.py定义的数据结构。 训练： python train.py 模型将保存在./trained_model/ ，结果将保存在./output/ 。 预言： python predict.py -i ./data/test_images/ -o ./output/ 预训练权重 这是一个用多个数据集训练的模型（DRIVE、LES-AV 和 HRF

图像是人类感知世界的视觉基础，然而在人类通过视觉获取的大量图像信息中，并不是所有的信息内容都是我们所需要的，所以需要把图像分成若干个特定的、具有独特性质的区域。本文对图像分割方法进行了研究，给出了一种基于模糊逻辑的自适应阈值图像分割方法，并将其应用于车牌图像中，在MATLAB环境下对两幅典型图像通过Otsu方法、脉冲耦合神经网络算法和本文所提算法进行仿真分析，结果对比分析显示本文方法在综合方面略优于其他两种对比方法。

U-net实例分割，训练自己的数据集，模型简洁，易于学习。