类激活图 通过可视化对于这些模型的预测（或视觉解释）“重要”的输入区域，可以使基于卷积神经网络（CNN）的模型更加透明的技术。 使用VinBigData图像和Inception架构的示例

RegNet 介绍 在这项工作中，我们提出了一种通过学习方法来解决非刚性图像配准的方法，而不是通过对预定义的相异性度量进行迭代优化来解决。 我们设计了卷积神经网络（CNN）架构，与所有其他工作相反，该架构直接从一对输入图像中估计位移矢量场（DVF）。 提议的RegNet使用大量的人工生成的DVF进行了训练，没有明确定义相异性度量标准，并且以多种比例集成了图像内容，从而为网络配备了上下文信息。 在测试时，与当前的迭代方法相反，非刚性配准是一次完成的。 引文 [1] ， ， ， ， ， ， 和 ，2019年。。 arXiv预印本arXiv：1908.10235。 [2] ， ， ， ， IvanaIšgum和Marius Staring ，2017年9月。 使用多尺度3D卷积神经网络进行非刚性图像配准。 在医学图像计算和计算机辅助干预国际会议上（第232-239页）。 湛

组织病理学检测 创建了一种算法，以识别从较大的数字病理扫描中获取的小图像斑块中的转移癌。 该比赛的数据是对PatchCamelyon（PCam）基准数据集的略微修改版本 动机 乳腺癌的临床诊断最好通过活检来实现。 病理学家通过在显微镜下手动检查组织切片来进行诊断。 但是，传统的诊断系统需要专业知识，只有经验丰富的病理学家才能准确地确定肿瘤组织。 当前，在印度的各个农村地区，人们无法获得良好的医疗保健设施。 另外，农村地区没有新的先进设备，因此甚至有可能无法正确诊断患者。 农村地区医疗状况不佳的主要原因之一是缺乏经验丰富的医生。 数据集 该研究使用的数据集是PatchCamelyon（PCam）[21]，[22]的略微修改版本。由于其概率抽样，原始PCam数据集包含重复图像，但是此版本不包含重复图像。 该数据集是开源的，可以从（ ）下载。 数据集包含超过220K张RGB图像，尺寸为96x

医学影像中的机器学习--U-Net 是用于生物图像分割的卷积神经网络（CNN）。 为了保留更精细的特征图，使用了跳过连接来补充更深层中的数据。 在这项工作中，将相同的体系结构用于MRI脑部扫描，以预测一种给予另一种的方式。 这是通过将以两种不同方式扫描的原始MRI体数据切成可在网络上进行训练的2D图像来完成的。 该网络是使用 （用于CNN的MATLAB工具箱）实现的。

Pytorch-图像分类 使用pytorch进行图像分类的简单演示。 在这里，我们使用包含43956 张图像的自定义数据集，属于11 个类别进行训练（和验证）。 此外，我们比较了三种不同的训练方法。 从头开始培训，微调的convnet和convnet为特征提取，用预训练pytorch模型的帮助。 使用的模型包括： VGG11、Resnet18 和 MobilenetV2 。 依赖关系 Python3，Scikit学习 Pytorch, PIL Torchsummary，Tensorboard pip install torchsummary # keras-summary pip install tensorboard # tensoflow-logging 注意：在训练之前将库更新到最新版本。 怎么跑 下载并提取训练数据集： 运行以下脚本进行训练和/或测试 python t

用于真实图像超分辨率的深循环生成对抗性残差卷积网络（SRResCycGAN） 网络的官方PyTorch实现，如论文。 这项工作以高x4放大系数参加了挑战赛道3。 抽象的 最近基于深度学习的单图像超分辨率（SISR）方法主要是在干净的数据域中训练其模型，其中低分辨率（LR）和高分辨率（HR）图像来自无噪声设置（相同域）到双三次降采样假设。 但是，这种降级过程在实际环境中不可用。 我们考虑到深度循环网络结构，以保持LR和HR数据分布之间的域一致性，这是受CycleGAN在图像到图像翻译应用程序中最近成功的启发。 通过以端对端方式从LR到HR域转换的生成对抗网络（GAN）框架进行训练，我们提出了超分辨率残留循环生成对抗网络（SRResCycGAN）。 我们在定量和定性实验中证明了我们提出的方法，该方法很好地推广到了真实图像的超分辨率，并且很容易部署到移动/嵌入式设备中。 此外，我们在AIM 2

演示代码（请参阅jupyter笔记本）： 使用深度卷积自动编码器对地震信号进行非监督（自我监督）区分 您可以从这里获取论文： 连结1： 连结2： 您可以从此处获取训练数据集： 参考： Mousavi, S. M., W. Zhu, W. Ellsworth, G. Beroza (2019). Unsupervised Clustering of Seismic Signals Using Deep Convolutional Autoencoders, IEEE Geoscience and Remote Sensing Letters, 1 - 5, doi:10.1109/LGRS.2019.2909218.

使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

使用PyTorch对预训练的卷积神经网络进行微调。 产品特点 可以访问ImageNet上经过预训练的最受欢迎的CNN架构。 自动替换网络顶部的分类器，使您可以使用具有不同类数的数据集训练网络。 使您可以使用任何分辨率的图像（不仅限于在ImageNet上用于训练原始模型的分辨率）。 允许添加一个Dropout层或一个自定义池层。 支持的架构和模型 从包中： ResNet（ resnet18 ， resnet34 ， resnet50 ， resnet101 ， resnet152 ） ResNeXt（ resnext50_32x4d ， resnext101_32x8d ） Dens