甲状腺结节分割
该存储库包含用于在超声图像中分割甲状腺结节的代码和模型。 使用的数据集：
安装
主要代码以名为“ tnseg”的Python包编写。 将此存储库克隆到您的计算机后，请使用以下命令安装
cd cloned/path
pip install .
然后，您应该能够在Python中使用该软件包：
import matplotlib . pyplot as plt
from tnseg import dataset , models , loss , opts , evaluate
运行模型
用于模型训练和评估的脚本位于/ scripts /下。
python -u scripts/train.py config_files/defaults.config
运行模型时，输出将保存在“ outputs /”文件夹中，并保存在以实验名称命名的文件夹中（应在配置文件中指定）。
2021-10-12 18:20:39
150KB
1
Change Detection
一个用 PyTorch 编写的，专门针对变化检测 (Change Detection) 任务的模型框架。
结果可视化（部分）
Siamese_unet_conc + Szada
TODO
参考
写在前面
为什么写这个项目？
变化检测（Change Detection，CD）任务与其他任务，如语义分割，目标检测等相比，有其特有的特性（坑），如数据集少（少到可怜那种，尤其是异源，我**），公开的模型也很少，输入常常是成对的（导致一些在 PyTorch 中常用的函数，如Random系列等需要做出一些改变），给初学者带来了很大的困扰（对，没错就是我），所以我将毕设期间写的一些代码，仿照 maskrcnn-benchmark 整理一下发布出来。
特性
边训练边测试（可选）
由于数据集数量较少，以及 CD 只是一个 “二分类” 问题，所以模型一般较为简单，因此边训练边
2021-09-23 14:21:29
464KB
1
适用于Python的深度学习医学十项全能演示*
具有医学十项全能数据集的U-Net生物医学图像分割。
该存储库包含用于使用数据集（ ）训练模型的和 U-Net TensorFlow脚本。
。
引文
David Ojika，Bhavesh Patel，G。Athony Reina，Trent Boyer，Chad Martin和Prashant Shah。 与第三次机器学习和系统会议（MLSys）共同举办的“解决AI模型培训中的内存瓶颈”，德克萨斯州奥斯汀市，MLOps系统研讨会（2020）。
2021-09-22 23:11:04
67.97MB
1
UNet / FCN PyTorch
该存储库包含U-Net和FCN的简单PyTorch实现，这是Ronneberger等人提出的深度学习细分方法。 和龙等。
用于训练的合成图像/遮罩
首先克隆存储库并cd到项目目录。
import matplotlib . pyplot as plt
import numpy as np
import helper
import simulation
# Generate some random images
input_images , target_masks = simulation . generate_random_data ( 192 , 192 , count = 3 )
for x in [ input_images , target_masks ]:
print ( x . shape )
print ( x . m
2021-09-22 17:34:13
160KB
1
Unet-ECG细分
该网络使用Unet对ECG进行分段，以识别给定ECG的P，QRS，T分量。
具有长短期记忆神经网络的心电图（ECG）的注释（或分段）。
在这里，我尝试对Unet架构的ECG进行分段，使用[PyTorchWavelets]的编辑版本将来自QTDB数据集的ECG转换为小波域（ ）。 我首先提供ECG和标签作为应用小波变换的输入，然后存储相应的比例以及小波的实部和虚部。 在开始时，我努力使用标准的1d Conv和1d ConvTranspose使输入和输出匹配，我使用WFDB软件包将P段标记为1 QRS标记为2，将T段标记为3。 它在physionet的QT数据库上似乎运行良好，但是标记的方式存在一些问题。 我必须寻找其他数据集才能尝试。
模型
入门
使用wget -r -l1 --no-parent 将QTDB ECG数据集下载到qtdb目录
运行QTDB_Wavel
2021-09-19 15:54:44
197KB
1
Unet的网络结构：
根据该结构，用Pytorch实现Unet：
# -*- coding: utf-8 -*-
import torch
import torch.nn as nn
from torch.autograd import Variable
import torchvision.datasets as dset
import torchvision.transforms as transforms
import torch.nn.functional as F
import numpy as np
import torch.utils.data as Data
seed =
2021-09-17 14:21:49
89KB
1
U-Net是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异。
本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集，生成Mask图像，并使用U-Net训练自己的数据集，从而能开展自己的图像分割应用。
本课程有三个项目实践：
(1) Kaggle盐体识别比赛 ：利用U-Net进行Kaggle盐体识别
(2) Pothole语义分割：对汽车行驶场景中的路坑进行标注和语义分割
(3) Kaggle细胞核分割比赛 ：利用U-Net进行Kaggle细胞核分割
本课程使用keras版本的U-Net，在Ubuntu系统上用Jupyter Notebook做项目演示。 包括：数据集标注、数据集格式转换和Mask图像生成、编写U-Net程序文件、训练自己的数据集、测试训练出的网络模型、性能评估。
本课程提供项目的数据集和Python程序文件。
2021-09-16 11:20:40
6.43MB
1
unity 局域网Unet Networking ARDemo 资源包，使用Unity内置Unet实现AR对战
2021-09-15 13:29:51
509KB
1