一种基于指数损失函数的多类分类AdaBoost算法及其应用.pdf

针对现有方法对肝部医学影像分割上的不足,提出了一种用于对肝部医学影像进行分割的改进型U-Net结构。在上采样过程中只复制池化层特征,以减少信息丢失;同时引入残差网络对初步分割图像进行循环精炼,实现高层特征与低层特征的融合;利用对边界敏感的新型混合损失函数对图像进行细化处理,得到更为精确的分割结果。实验结果表明,肝脏图像和肝脏肿瘤图像的Dice系数分别为96.26%和83.32%。相比传统的U-Net,所提网络可以获得更高级的语义信息,进一步提高对肝脏和肝肿瘤图像的分割精度。

损失函数（加权Hausdorff距离） 用于对象定位 该存储库包含本文描述的加权Hausdorff损失的PyTorch实现： 抽象的 卷积神经网络（CNN）的最新进展在对图像中的对象进行定位方面取得了显著成果。 在这些网络中，训练过程通常需要提供边界框或最大数量的预期对象。 在本文中，我们解决了在没有带注释的边界框的情况下估计对象位置的任务，边界框通常是手工绘制的，并且标注时很费时间。 我们提出了一种损失函数，可以在任何完全卷积网络（FCN）中使用它来估计对象位置。 此损失函数是两个无序点集之间的平均Hausdorff距离的修改。 所提出的方法不需要“猜测”图像中最大数量的对象，并且没有边界框，区域提议或滑动窗口的概念。 我们使用旨在定位人的头部，学生中心和植物中心的三个数据集来评估我们的方法。 我们报告了这三个数据集的平均精度和召回率94％，在256x256图像中的平均位置误差为6个像素

损失函数matlab代码我们的 CVPR 2016 论文的预训练模型：“通过最小化全局损失函数学习具有深度连体和三重卷积网络的局部图像描述符” 如果您使用此代码进行研究，请引用我们的论文： @InProceedings{G_2016_CVPR, author = {Kumar B G, Vijay and Carneiro, Gustavo and Reid, Ian}, title = {Learning Local Image Descriptors With Deep Siamese and Triplet Convolutional Networks by Minimising Global Loss Functions}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2016} } 要求：软件 MATLAB MatConvNet-13 ()

两种常用损失函数： 平方损失： 最小Bayesian风险估计：后验期望 点损失： 最大后验密度估计

包含 1950 年至 2018 年发生的地震的震源和社会经济损害信息、人口暴露和地震烈度图

本代码基于pytorch实现，复现ICCV 2019论文 Robust Loss Functions under Label Noise for Deep Neural Networks，论文地址https://arxiv.org/abs/1712.09482v1

行业资料-制造说明-用于节流损失再生的增压器组件.zip

关于两球正碰的机械能损失量、碰后速度范围的相关讨论.pdf

损失函数matlab代码 #iyolov3_learning 用来自己学习yolo，有缘的新手看到也能一起学学！ 目标 不敲一行代码、不改损失函数，随意拼接、改网络。 搞懂损失函数、反向传播 自己改损失函数，写反向传播，再试试训练效果 ... 更新内容: 2018.12.23 创建项目 上传了2个DIY的yolo模型 上传了人头数据集brainwash的地址 上传了数据集brainwash格式转yolo格式的matlab脚本文件 idl2yolo 2018.12.24 上传SCUT_HEAD人头数据集 上传配套格式转换脚本（修改自yolo的voc脚本） 原数据集xml文件有问题，有些size是0,0，用上面的脚本可以修复,文件路径自己vim看下改改