医学图像分割（MIS）的目标是2D或3D医学图像中组织和病变的边界和定位。这一过程对于发展自动化疾病识别、分期和治疗，以及开发医学机器人至关重要。近年来，最先进的MIS方法基于深度学习（DL），得益于它从大量数据集中学习复杂模...
pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个...
在本文中，大部分计算机视觉领域的深度学习模型专注于低分辨率的2D和3D图像，通常是256×256像素或更小。然而，随着高分辨率图像数据集的广泛应用，由于单个GPU的内存限制，带来了新的挑战，尤其是在图像语义分割等内存密集型任...
在图像分割领域，圣杯是能够基于文本 Query 准确分割任意概念图像。随着视觉-语言模型（VLMs）如CLIP的迅速发展，这一任务变得更加可行。当这些模型应用于语义和全景分割时，显示出在处理广泛的视觉数据词汇方面的潜力。然而，尽...
医学图像分割是计算机辅助诊断和图像引导系统中的关键应用。近年来，深度学习已成为这一领域的主要方法，这主要归功于UNet[18]的里程碑式贡献。UNet通过利用编码器将语义信息投射到低级特征，以及解码器逐步将语义特征上采...
在图像分割领域，MMSegmentation 是目前应用最广泛的开源算法库之一。自今年 v1.0 版本发布以来，MMSegmentation 在社区同学和核心开发者共同努力下，不断拓展到更多分割相关的视觉任务，包括遥感图像处理、医疗图像分割、深...
这一大部分我们将要介绍的是深度学习大火之前人们利用数字图像处理、拓扑学、数学等方面的只是来进行图像分割的方法。当然现在随着算力的增加以及深度学习的不断发展，一些传统的分割方法在效果上已经不能与基于深度学...
目标检测(Intance Detection) 和图像分割(Image Segmantation) 算是深度学习中两个个比较热门的项目了，单级式检测(YOLO、SSD)和双级式检测(Fast R-Cnn)代表了如今大多数的目标检测方法，而FCN、U-net、Deeplab则引领了...
深度学习中，许多的实现并不单单是神经网络的搭建和训练，也包括使用一系列传统的方法与之结合的方式去增强深度学习的实现效果，在语义分割(semantic segmentation)和风格迁移(style transfer)中都有使用过MRF-Markov Rand...
近年高速发展的人工智能技术应用到了各个垂直领域，比如把深度学习应用于各种医学诊断，效果显著甚至在某些方面甚至超过了人类专家。典型的 CV 最新技术已经应用于阿尔茨海默病的分类、肺癌检测、视网膜疾病检测等医学成...
