半监督医学图像分割代码与论文集合（来自2020年以后的顶刊顶会）（用于复现和对比实验）

5星

浏览量: 0

大小:None

文件类型：RAR

简介：
该资源整合了多项基于2021及以上年度顶级会议（如NeurIPS或CVPR）发表的半监督医学图像分割算法代码库，并附加相关论文以支持复现和实验对比分析。其中涵盖了一些经典的半监督医学图像分割网络架构（如MC-Net、DC-Net和SS-Net），这些模型在许多顶级会议的对比实验研究中表现突出。所有模型均采用一致的输入格式，并适用于包括ACDC、Lung和Prostate等经典开源数据集的数据处理过程。在使用过程中，用户仅需进行基本的数据标准化前处理步骤即可运行所有模型，并且实验设置相对简单明了。我将定期在博客中分享相关知识，涵盖从数据预处理到模型评估的关键步骤教学。特别适合刚开始学习医学影像分析的新手读者。

全部评论 (0)

还没有任何评论哟~

客服

关于2020至2023年医学图像分割领域中半监督学习方法的顶会与期刊论文汇总

优质

本研究综述了2020年至2023年间医学图像分割领域的半监督学习方法，涵盖了该时期内各大顶会和核心期刊的重要文献。文件包含十余篇论文（自己收集整理）。顶会包括：MICCAI（全称 International Conference on Medical Image Computing and Computer Assisted Intervention），IPMI（全称 Information Processing in Medical Imaging），ISBI（全称 IEEE International Symposium on Biomedical Imaging）和 MIDL（全称 The International Conference on Medical Imaging with Deep Learning）。期刊有 TMI（全称 IEEE Transactions on Medical Imaging）和 MedIA（全称 Medical Image Analysis）。

SSL4MIS: 医学图像分割中半监督学习的文献综述与代码实现合集

优质

简介：本文献综述和代码库汇集了医学图像分割领域内半监督学习方法的研究进展，旨在为研究者提供全面资源。近年来，半监督图像分割在医学图像计算领域变得越来越重要。然而，由于隐私策略等因素的影响，目前仅有少数开源代码及数据集可供使用。为了方便评估与公平比较的目的，我们正在努力创建一个专门用于半监督医学图像分割的基准平台，并借此推动该领域的研究进展。如果您对此感兴趣，请随时将实现成果或想法提交至我们的存储库。该项目最初是为支持先前的研究工作而设立的。如果本项目对您的科研活动有所助益，请考虑引用以下文献： @article{luo2020urpc, title={Efficient Semi-supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency}, author={Luo, Xiangde and Liao, Wen}

NeurIPS 2020顶会论文与代码介绍——StemGNN

优质

本文介绍了在NeurIPS 2020会议上发表的论文《StemGNN》，该研究提出了一种新的图神经网络模型，旨在解决特定领域内的复杂问题，并公开了源代码供研究人员参考使用。利用离散傅里叶变换（DFT）和注意力机制构建时空图，进行多元时间序列预测。该方法使用了一个CSV格式的ECG_5000数据集，并且可以在Python PyTorch环境中成功运行。

nlp_paper_study: 顶会论文研读及代码复现

优质

nlp_paper_study专注于自然语言处理领域顶级会议论文的研究与解读，并通过实现相关算法和模型来加深理解。关于自然语言处理（NLP）那些你不知道的事作者：杨夕项目介绍：大家好，我是杨夕。该项目主要记录了我在研读顶会论文及复现经典论文过程中的所见、所思、所想与所闻。由于个人理解可能存在偏差或错误之处，恳请各位专家不吝赐教。目录概览： - 关于信息抽取 - 实体关系联合抽取的相关知识 - 命名实体识别的要点 - 关系抽取的核心技术 - 文档级别关系抽取的方法论 - 知识图谱的基础与应用 - 实体链指的概念及实践心得 - 实体消歧的技术细节和挑战 - KGQA（基于知识图谱的问题回答）的相关内容 - Neo4j数据库的使用技巧 - 细粒度情感分析的研究进展 - 主动学习在NLP中的运用实例 - 对抗训练方法的应用与探讨 - GCN(图卷积网络)技术介绍以上是关于自然语言处理领域的一些心得体会，希望对大家有所帮助。

近年来顶会上的显著性检测论文与代码

优质

本资源集合了近年各大顶级会议中关于显著性检测领域的前沿论文和开源代码，旨在为研究者提供便捷的一站式访问平台。 2020年CVPR会议、2021年CVPR会议、2019年ICCV会议以及2020年ECCV会议的相关内容进行了讨论。

Matlab超声成像代码-无监督MIseg：利用边缘映射与对抗学习进行医学图像分割

优质

本项目提出了一种基于Matlab的无监督医学图像分割方法MIseg，结合边缘映射和对抗学习技术，专门针对超声成像数据，以提高医学诊断效率和准确性。该存储库包含使用边缘映射和对抗性学习实现无监督医学图像分割的代码，如我们的论文所述：请注意，编写此版本是为了更容易遵循该方法的逻辑。因此，它旨在用于编写脚本，并为不同目的调整代码应该相当容易。该项目的不同部分改编自不同的库，依赖关系因运行流程步骤而异。要运行所有代码部分需要以下内容： - Python3 我们使用了其他存储库中的模型和算法： - 一个用于边缘检测的GAN架构 - RCF输出的骨架化方法 - ISIC2018分割模型与W-net进行比较的方法 - 我们为DenseCRF实现改编了dcrf.py，以对W-net输出进行后处理。我们还使用分段聚类来清理输出（并合并W-net的分段类别）。采用这种方法时，大多数函数可以保持原样，并且很容易适应其他数据集。但是，每个数据集需要完成以下两件事： - 根据您的需求预处理图像。 - 我们的模型目前接受256x256像素大小的输入图像。

关于最新对比自监督学习的综述论文

优质

本文为一篇最新的综述性论文，全面探讨了当前自监督学习领域的研究进展与挑战，深入比较分析多种自监督学习方法的优劣。自监督学习（Self-supervised learning）近期备受关注，因为它可以减少对大量标签数据的需求。该方法通过使用自己生成的伪标签进行训练，并将学到的表示应用于下游任务中。最近，对比学习在自监督领域发挥了重要作用，在计算机视觉和自然语言处理等众多应用中得到广泛应用。其目标是：使同一样本的不同增强版本在嵌入空间中的距离尽可能近，同时让不同样本之间的距离尽可能远。这篇论文提供了一个详尽的对比自监督学习综述。

SLAM顶会论文精选集

优质

本书为SLAM（ simultaneous localization and mapping）领域顶尖会议论文精选集，涵盖了最新的研究进展和技术突破。适合研究人员和工程师参考学习。 SLAM（Simultaneous Localization and Mapping，同时定位与建图）是机器人学和计算机视觉领域中的一个核心问题，它涉及如何让无人系统在未知环境中同时建立地图并确定自身的精确位置。在虚拟现实（VR）技术中，SLAM同样扮演着重要角色，用于创建和更新虚拟环境以提供更真实的交互体验。 ### SLAM相关知识点 1. **基础概念**： - 定位：确定机器人或设备在环境中的具体位置。 - 建图：构建环境的几何模型，可以是点云、二维图像或三维模型。 - SLAM问题：通过传感器数据，在没有先验信息的情况下同时解决定位和建图的问题。 2. **SLAM方法分类**： - 滤波器方法：如卡尔曼滤波（Kalman Filter）、扩展卡尔曼滤波（EKF-SLAM）以及粒子滤波（Particle Filter）。 - 图优化方法：包括Gauss-Newton法、Levenberg-Marquardt法，还有基于因子图的SLAM技术如GTSAM。 - 直接法：利用像素级测量值直接估计相机运动和环境结构，例如光流算法及稀疏直接法（DSO）。 - 特征点方法：提取并匹配图像特征，比如SIFT、SURF以及ORB等。 3. **传感器类型**： - 激光雷达（LiDAR）：提供精确的距离测量能力，适用于2D或3D SLAM任务。 - RGB-D相机：如Kinect设备可以提供彩色图像和深度信息，适合室内SLAM应用。 - 单目双目相机：仅依赖视觉信息工作，更具挑战性但成本较低。 - IMU（惯性测量单元）：提供姿态和加速度数据，通常与视觉传感器结合使用。 4. **重要会议**： - ICRA (International Conference on Robotics and Automation) ：机器人及自动化领域的顶级学术会议，涵盖广泛的主题包括SLAM研究。 - CVPR（Computer Vision and Pattern Recognition）: 计算机视觉领域的主要研讨会，尽管重点在于图像处理技术上也包含许多关于SLAM的研究成果。 5. **应用实例**： - 自动驾驶：为车辆提供导航和避障能力。 - 无人机航拍：实现自主飞行及稳定拍摄功能。 - 服务机器人：帮助机器人在家庭或商业环境中进行有效导航。 - 增强现实（AR）与虚拟现实（VR）: 创建真实世界与虚拟世界的无缝转换。 6. **挑战与发展趋势**： - 实时性能：快速处理大量数据，以满足实时应用需求。 - 鲁棒性：应对各种环境变化如光照条件、动态物体以及传感器噪声等。 - 全局一致性：确保地图的连贯性和准确性。 - 学习驱动SLAM: 使用深度学习改进特征提取及建图定位性能。 - 多传感器融合技术: 结合不同类型的传感器数据，提高定位和建图精度。 7. **论文阅读建议**： - 经典文献：理解基础理论及早期研究工作。 - 最新进展：紧跟当前的研究趋势和技术进步。 - 对比分析：比较各种方法的优缺点，并选择适合特定应用场景的技术。