Advertisement

BatchGenerators: 适用于2D和3D图像分类与分割的数据增强工具包

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
BatchGenerators是一款高效的数据增强工具包，专为2D和3D图像的分类及分割任务设计，助力深度学习模型训练。 在德国癌症研究中心（DKFZ）的医学图像计算部门开发的Python软件包batchgenerators满足了我们所有深度学习数据增强的需求。尽管它尚未达到完美状态，但我们认为已经足够成熟可以与社区共享。如果遇到任何问题，请随时联系我们或通过GitHub提交问题报告。如果您使用该工具，请引用以下工作：Isensee Fabian, Jäger Paul, Wasserthal Jakob, Zimmerer David, Petersen Jens, Kohl Simon, Schock Justus, Klein Andre, Roß Tobias, Wirkert Sebastian, Neher Peter, Dinkelacker Stefan, Köhler Gregor, Maier-Hein Klaus (2020).

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • BatchGenerators: 适用于2D和3D图像分类与分割的数据增强工具包
    优质
    BatchGenerators是一款高效的数据增强工具包，专为2D和3D图像的分类及分割任务设计，助力深度学习模型训练。 在德国癌症研究中心（DKFZ）的医学图像计算部门开发的Python软件包batchgenerators满足了我们所有深度学习数据增强的需求。尽管它尚未达到完美状态，但我们认为已经足够成熟可以与社区共享。如果遇到任何问题，请随时联系我们或通过GitHub提交问题报告。如果您使用该工具，请引用以下工作：Isensee Fabian, Jäger Paul, Wasserthal Jakob, Zimmerer David, Petersen Jens, Kohl Simon, Schock Justus, Klein Andre, Roß Tobias, Wirkert Sebastian, Neher Peter, Dinkelacker Stefan, Köhler Gregor, Maier-Hein Klaus (2020).
     
  • VC++2008图像分割与增强程序
    优质
    《VC++2008图像分割与增强程序》是一本深入讲解使用Visual C++ 2008进行图像处理技术实现的专业书籍，涵盖图像分割、对比度调整及边缘检测等核心内容。书中提供了大量实用代码示例和详细注释，帮助读者快速掌握基于VC++的图像处理技巧，并应用于实际项目中。无论是初学者还是经验丰富的开发者，都能从中获益匪浅。 《图像分析与理解》课程的作业包含两部分功能：一是使用线性变换算法进行图像增强；二是采用Sobel算子进行边缘检测以实现图像分割。程序设计简洁明了，具有很高的参考价值。
     
  • 基于Swin-Transformer和Unet的自适应多尺度训练与多类别分割：针对BraTS 3D脑肿瘤图像的2D图片分割项目
    优质
    本项目采用Swin-Transformer结合Unet架构，创新性地引入了自适应多尺度训练策略，专为BraTS数据库中的3D脑肿瘤图像进行高效的2D切片级多类别分割。 项目介绍：总大小357MB 此项目基于Swin-Transformer和Unet架构，并结合自适应多尺度训练技术进行脑肿瘤的4类别分割任务。经过10个epochs的训练，全局像素点准确度已达到0.97。如果进一步增加训练轮数（epoch），其性能预计会更加优越。 代码介绍： 【训练】train脚本自动执行模型训练过程，并通过随机缩放数据至设定尺寸的0.5到1.5倍之间实现多尺度训练，以适应不同大小的数据输入。此外，在utils中的compute_gray函数负责将mask灰度值保存在txt文件中并定义网络输出通道数量。 【介绍】学习率采用余弦退火策略调整，并且损失和IOU曲线可以在run_results文件夹内查看。这些数据由matplotlib库绘制，训练日志、最佳模型权重等信息同样被妥善保存下来，在训练日志中可以找到每个类别的iou值、召回率、精确度以及全局像素点准确率。 【推理】将待预测的图像放置于inference目录下，并直接运行predict脚本即可完成推理过程，无需额外设置参数。 具体使用方法请参考README文件。该项目设计简单易用，即使是初学者也能轻松上手操作。
     
  • Frangi的Hessian矩阵血管增强方法，适用于2D和3D数据，可直接使用
    优质
    简介：Frangi的Hessian矩阵血管增强方法是一种广泛应用于医学图像处理的技术，特别擅长于二维和三维数据中的血管结构识别与增强。此方法无需预处理即可直接应用，有效提升血管特征的可视化效果。 Frangi最初提出的方法包括计算Hessian矩阵、特征值以及构造血管增强函数来进行血管增强处理。此方法的Matlab代码可以直接运行，并且特征值计算的部分是用C语言编写的，这使得整个算法容易转换为C或C++代码使用，非常有用。
     
  • 医学图像分割与ISIC 2016皮肤癌图像分割训练数据集（适用于Unet）
    优质
    本项目专注于医学图像分割技术，并利用ISIC 2016皮肤癌图像数据集进行模型训练和验证，特别适合用于改进和发展U-Net网络结构在皮肤病灶自动检测与分割的应用。 这是一个皮肤黑色素测试数据集，适用于医学图像分割领域，并且适合初学者复现代码和实战使用。
     
  • Matlab_SupResolDemo.rar_提升图像分辨率_图像增强工具
    优质
    这是一个名为Matlab_SupResolDemo的资源包，提供了使用MATLAB实现提高图像分辨率和进行图像增强功能的演示代码。 使用MATLAB编写的程序可以增强图像分辨率，使图像更加清晰。
     
  • Python图像数据增强代码，适用于深度学习的图像分割、合并及批量改名和尺寸标准化
    优质
    这段Python代码提供了一系列工具用于深度学习中图像处理，包括图像分割、合并以及批量重命名和尺寸标准化，特别适合于图像数据增强。 Python图像数据增强代码用于深度学习中的图像分割、合并以及批量化处理文件名和归一化大小。
     
  • 利用PyTorch和Albumentations进行数据增强分类
    优质
    本项目采用PyTorch框架及Albumentations库实现图像数据增强技术，旨在提高深度学习模型在图像分类任务中的准确性和泛化能力。 albumentations包是一种专门用于数据增强的API，包含了大量的数据增强方法，比pytorch自带的transform更为丰富且搭配使用效果更佳。以下是相关代码及示例： ```python import albumentations as A # 导入albumentations库，并简化为A import cv2 # 导入OpenCV库用于图像处理 from PIL import Image, ImageDraw # 使用PIL进行图片操作和绘制 import numpy as np # 引入numpy用于数值计算 # 定义数据增强方法，包括模糊、翻转等。 transform = A.Compose([ Blur(), Flip(), ShiftScaleRotate(), GridDistortion(), ElasticTransform(), HorizontalFlip(p=0.5), CenterCrop(224, 224) ]) ``` 通过上述代码可以实现多种数据增强操作，以提高模型的泛化能力。
     
  • 基于数据增强的小数据集四类图像分类器示例——MATLAB实现
    优质
    本研究利用MATLAB开发了一种基于数据增强技术的算法，旨在提升小规模四类图像数据集的分类精度。通过增加训练样本多样性，该方法有效改善了模型在有限数据条件下的性能表现。 本段落提供了一个关于四类图像分类器的简单示例。该示例使用了一个包含320张花卉图片的小数据集（每个类别80个样本），并采用一个非常简单的卷积神经网络模型进行训练。重点在于展示如何利用MATLAB中的功能，即augmentedImageDatastore和imageDataAugmenter，在图像分类解决方案中实施数据增强。 实验的主要目标是证明通过仅增加数据增强步骤，即使在使用极其基础的CNN架构时也能显著提高验证准确率——从大约79%（代码的第一部分）提升到83%左右（第二部分）。然而，当采用预训练好的AlexNet模型进行相同的数据集分类任务时，引入数据增强反而会导致验证精度下降——从100%降至约98%，这表明在该特定情况下可能并不需要额外进行数据增强。