在脊椎CT图像分割问题中,由于脊椎与组织对比度过低和噪声的影响,传统分割算法存在分割精度差和自动化程度低等问题。基于此,提出一种通过AttentionNet定位脊椎,然后使用改进的DenseUnet进行脊椎CT分割的方法。首先,对所有脊椎CT样本数据进行裁剪、重采样、灰度值归一化等预处理操作;再次,对样本使用AttentionNet训练得到具有位置信息的Attention图;然后,对传统DenseUnet进行改进,在每个Dense block加入Shuffle操作来增加网络的鲁棒性,在每个Dense block后加入1×1卷积,以降低通道数,减少网络参数量;接着使用改进后的DenseUnet对训练样本进行预训练,得到具有先验信息的预测图;最后,将Attention图、预测图及原始图像融合为三通道的训练样本作为输入,采用改进的DenseUnet训练分割模型,并在测试集上进行验证,最终实现脊椎CT自动分割。实验结果表明,所提方法的分割精度优于传统DenseUnet,是一种有效的脊椎CT自动分割方法。

行业分类-外包设计-可更换接头的时延参数量值传递用空气线.zip

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在pytorch当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 80.12 VOC07+12 VOC-Test07 416x416 - 79.01 所需环境 torch==1.2.0 注意事项 提供的三个权重分别是基于mobilenetv1、mobilenetv2、mobilenetv3主干网络训练而成的。使用的时候注意backbone和权重的对应。 训练

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在Keras当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 416x416 - 66.29 VOC07+12 VOC-Test07 416x416 - 80.18 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 78.45 所需环境 tensorflow-gpu==2.2.0 注意事项 提供的四个训练好的权重分别是基于mobilenetv1-025、mobilen

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在Keras当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 416x416 - 66.29 VOC07+12 VOC-Test07 416x416 - 80.18 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 78.45 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 提供的四个训练好的权重分别是基于mobilenet