E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
Generative
GAN的评价(一):An empirical study on evaluation metrics of
generative
adversarial networks
这篇paper的作者评价了各自度量GAN优劣性的指标,并给出了实际工程方面的经验。现有GAN评价指标存在哪些问题?评价指标本身好坏,缺乏一个评价体系现有许多评价指标虽然和人的主观比较一致。可是与人的主观一致并不一定就代表GAN是好的。现有的一些评价指标,比如Inceptionscore和MMD等,虽然可以在一定程度上评价GAN。但是这些评价指标的适用场景却依然是一个疑问。换句话说,什么场景下,In
小肥柴不是小废柴
·
2020-06-21 14:20
SeqGAN:Sequence
Generative
Adversarial Nets with Policy Gradient
论文:SeqGAN代码:Github这篇paper主要介绍了GAN在文本生成上的应用。GAN在2014年被提出之后,在图像生成领域取得了广泛的研究应用。然后在文本领域却一直没有很惊艳的效果。主要在于文本数据是离散数据,而GAN在应用于离散数据时存在以下几个问题:GAN的生成器梯度来源于判别器对于正负样本的判别。然而,对于文本生成问题,RNN输出的是一个概率序列,然后取argmax。这会导致生成器L
小肥柴不是小废柴
·
2020-06-21 14:20
Generative
Adversarial Networks: An Overview文献阅读笔记
GenerativeAdversarialNetworks:AnOverview笔记AbstractGenerativeadversarialnetworks(GANs)provideawaytolearndeeprepresentationswithoutextensivelyannotatedtrainingdata.Theyachievethisbyderivingbackpropagati
wangyunpeng_bio
·
2020-06-21 04:30
GAN
Generative
Adversarial Networks: An Overview笔记
GenerativeAdversarialNetworks:AnOverview作者:AntoniaCreswell,TomWhite,VincentDumoulin,KaiArulkumaran,BiswaSengupta,AnilABharathGAN,首先由IanGoodfellow提出,随着深度学习的发展,GAN逐渐发展成为了热门的东西,不管是在图像合成,语义图像编辑,风格转换,图像超分辨
leceall
·
2020-06-21 02:38
GAN
机器学习笔记03(Classification: Probabilistic
Generative
Model)
分类问题:概率生成模型1、分类问题及其解决方法1)首先,什么是分类问题2)接着,分类问题该如何解决呢2、建立概率生成模型的步骤(以朴素贝叶斯分类器为例)step1:求先验概率step2:确定数据属于哪一个分布,用最大似然估计出分布函数的参数step3:求出后验概率3、生成模型解决分类问题的总结以及逻辑回归方法(判别模型)的引出1、分类问题及解决方法1)首先,什么是分类问题input为一系列参数或信
Haozi_D17
·
2020-06-18 20:00
MICCAI2019 -Hybrid
Generative
Adversarial Networks for Deep MR to CT Synthesis Using Unpaired Data
郑国焱教授团队下的基于不成对图片的MRI生成合成CT实验摘要:通过MR图像生成合成CT有很多不同的方法。许多方法都依靠于同个病人的成对MR和CT图像,这些成对的图像是很难获取的。以前为了MR生成合成CT图像提出了2D循环生成对抗性网络,但是成果并不满意因为其图像的空间不连续性。我们还尝试开发用于图像迁移的3D循环GAN(3D-cGAN),但是其训练需要大量数据,这些数据可能并不总是可用。在本文中,
22f9d17d554d
·
2020-06-11 14:30
Generative
Adversarial Network (GAN)算法推导
前言:此文章是基于李弘毅老师的深度学习课程,与其说文章心得,倒不如说其为学习笔记。(如果对您的学习有所帮助记得点个赞喔)视频地址:https://www.bilibili.com/video/av9770302/from=search&seid=905421046757750252ppt地址:http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS17.ht
uestcxbc
·
2020-05-07 00:56
零样本图像识别 | Leveraging the Invariant Side of
Generative
Zero-Shot Learning论文笔记
背景:零样本学习的生成对抗网络必须挑战两个问题:1)如何基于有限甚至相似的属性来保证生成多样性?2)如何确保每个生成的样本与真实样本和相应的语义描述高度相关?创新点:①利用生成方法的不变方面(灵魂样本),灵魂样本表示了同一类别语义上最有意义的方面,其余同一类生成样本必须和至少一个灵魂样本接近。语义信息是生成的样本的灵魂。灵魂样本必须不是很具体,以便可以清楚地可视化最有意义的方面并尽可能与许多样本相
熊仔仔zz
·
2020-04-18 19:00
零样本图像识别 |
Generative
Dual Adversarial Network for Generalized Zero-shot Learning 论文笔记
论文链接:http://openaccess.thecvf.com/content_CVPR_2019/papers/Huang_
Generative
_Dual_Adversarial_Network_for_Generalized_Zero-Shot_Learning_CVPR
熊仔仔zz
·
2020-04-13 17:21
对抗生成网络-文字到图片的合成
Generative
Adversarial Text to Image Synthesis
新的一年,新的开始,好想发论文啊!废话不多说,下面讲下文字到图片的生成。文字生成图片最有代表的一张图怕是这个了,牛人,大佬RNN可用来对文字进行判别和表示,GAN可以做图片生成,那么如何将字符翻译到图像像素呢?这篇论文给出了一个网络。使用RNN,来做图片生成描述,由于它是根据图片的内容和他前一个词生成下一个词,是遵循链式规则的。使用描述生成图片的话,能够正确表达文本的正确图像样例是很多的,比如鸟,
水球喵
·
2020-04-07 21:03
论文阅读:
Generative
Adversarial Nets
引言这篇论文是生成对抗(GAN)网络的奠基之作,它提出了一种全新生成的思想,时至今日都是深度学习中热门的一种模型。它的作者是IanJ.Goodfellow,JeanPouget-Abadie*,MehdiMirza,BingXu,DavidWarde-Farley,SherjilOzair,AaronCourville,YoshuaBengio基本原理GAN网络其实就是两个网络之间的博弈游戏,即网
MatthewY
·
2020-04-06 19:37
神经网络
深度学习
论文
CS231n Spring 2019 Assignment 3—
Generative
Adversarial Networks (GANs)对抗生成网络
GenerativeAdversarialNetworks(GANs)对抗生成网络终于来到了cs231n的最后一次作业,在
Generative
_Adversarial_Networks_PyTorch.ipynb
赖子啊
·
2020-04-06 18:12
Generative
classifiers: A comparison of logisti...
译者按:吴恩达和迈克尔乔丹的经典合作之一,是当年吴恩达在乔丹门下读博时发表的,分类问题是机器学习最典型的问题,而朴素贝叶斯和逻辑回归又是最基础最常用的分类算法,两位大神对此进行了深入精到的分析,对机器学习和AI的爱好者来说不可错过作者:AndrewY.Ng(吴恩达),MichaelI.Jordan(迈克尔一乔丹)计算机科学和统计系加州大学伯克利分校摘要我们比较判别式和生成式学习,以logistic
fat32jin
·
2020-03-31 07:03
论文学习16“Photo-Realistic Single Image Super-Resolution Using a
Generative
Adversarial Network”文章学习
本文是CVPR17年的文章,也是超分辨领域的新作SRGAN,作者来自推特工作室,先放上整个网络结构图,再详细介绍。上周我在用SRCNN进行实验效果不理想时,师兄推荐了这篇文章,事实上这篇文章和我上周看的SAGAN的整体结构很相似,都是在GAN的基础上进行的image2image的工作。在SRGAN中,作者论证PSNR不能作为评价超分辨的标准,因为这个和人对图片的感受结果不一致,这里作者采用了MOS
侯冠群
·
2020-03-30 17:04
(2014)
Generative
Adversarial Nets 论文解读
GenerativeAdversarialNets–生成对抗网络作者:IanJ.Goodfellow,JeanPouget-Abadie∗,MehdiMirza,BingXu,DavidWarde-Farley,SherjilOzair†,AaronCourville,YoshuaBengio‡论文阅读过程中也遇到了一些问题,穿插在文中提出了,希望有理解的人回答一下。Abstract1.本篇文章完
椰楠liu
·
2020-03-30 17:59
CNN经典论文
神经网络
机器学习
深度学习
计算机视觉
Generative
Model(VAE1)
Unspervisedlearning主要任务目标是发掘数据潜在有价值的结构,主要分为clustering,dimentionalityreduction,featurelearning,densityestimationGenerativeModel主要任务是给定一个数据集P(data),通过模型P(model)学习样本的分布,可以通过模型生成近似原样本分布的数据。主要属于densityesti
fada_away
·
2020-03-28 07:05
[机器学习入门] 李宏毅机器学习笔记-5(Classification- Probabilistic
Generative
Model;分类:概率生成模型)
[机器学习]李宏毅机器学习笔记-5(Classification:ProbabilisticGenerativeModel;分类:概率生成模型)Classification这里写图片描述HowtodoClassification这里写图片描述IdealAlternatives这里写图片描述这里写图片描述这里写图片描述GaussianDistribution这里写图片描述这里写图片描述Probabi
holeung
·
2020-03-27 07:25
Generative
Adversarial Networks(Section 4)
4建议和技巧实践者们会使用一些提升GANs性能的技巧。我们很难去判断这些技巧会发挥什么样的作用了;很多技巧会在一些环境中有帮助但在另外一些环境中却又起到反作用。NIPS2016同样包含一个关于对抗训练的workshop,由SoumithChintala给了称为“HowtotrainaGAN”的邀请报告。这个报告和本文部分内容的目标类似,不过两者内容选择上有一定差异。想要了解本课程中没有的建议和技巧
朱小虎XiaohuZhu
·
2020-03-17 14:45
AmbientGAN:
Generative
models from lossy measurements
环境GAN:从有损测度中生成模型摘要:生成模型提供了一种对于复杂分布中结构进行建模的方式,并且已经被证明可用于很多实际感兴趣的任务中。但是,现在训练生成模型的技术需要访问完全可观测(fully-observed)的样本。在很多场景中,获取完全可观测的样本是昂贵的甚至不可能的,但是获取部分的有噪声的观测样本是比较实惠的。我们考虑在只给予感兴趣的分布的样本的有损失观测情况下,学习一个隐式的生成模型的任
马小李23
·
2020-03-16 07:14
Probabilistic
Generative
Model
Classification:分类问题,即输入一个特征向量,输出该特征向量所属的类别。如果用LinearRegression解决分类问题的话,考虑二分类的话,可能会惩罚非常正确的数据,考虑有很多类别的话,不同类别之间不好划分。概率生成模型:最终需要解决的问题是,任意给定一个x,属于某类别如C1的概率是多少。假设所有的点是由高斯分布产生的,需要找到的是决定高斯分布的u和∑,u决定概率密度最大的位置即
风就吹吧
·
2020-03-05 06:57
Connecting
Generative
Adversarial Networks and Actor-Critic Methods
DavidPfau,OriolVinyalsfromGoogleDeepMindBothgenerativeadversarialnetworks(GAN)inunsupervisedlearningandactor-criticmethodsinreinforcementlearning(RL)havegainedareputationforbeingdifficulttooptimize.Pr
朱小虎XiaohuZhu
·
2020-03-03 03:48
Face Aging with Conditional
Generative
Adversarial Networks
使用条件对抗生成网络的人脸老化摘要:最近对抗生成网络表明它可以生成具有非凡的视觉忠实度图片。在本文中,我们提出了基于对抗生成网络的方法来自动的进行人脸老化。与之前的文献使用对抗生成网络来转换脸部的属性相反,我们特别强调在老化的他/她的人脸上保留原始的人脸身份信息。为此,我们引入了新的方法来对对抗生成网络的隐藏向量进行身份保留优化。通过先进的人脸识别和年龄估计方案对于生成的老化和变年轻的人脸图片的评
马小李23
·
2020-03-02 10:52
第一课 introduction
info.htmlCourseDescriptionThiscourseprovidesabroadintroductiontomachinelearningandstatisticalpatternrecognition.Topicsinclude:supervisedlearning(
generative
瞧瞧以瞧瞧
·
2020-03-01 21:28
判别式模型(discriminative model)和生成模型(
generative
model)
已知输入变量x,判别模型(discriminativemodel)通过求解条件概率分布P(y|x)或者直接计算y的值来预测y。生成模型(generativemodel)通过对观测值和标注数据计算联合概率分布P(x,y)来达到判定估算y的目的。判别模型常见的判别模型有线性回归(LinearRegression),逻辑回归(LogisticRegression),支持向量机(SVM),传统神经网络(T
致Great
·
2020-03-01 02:22
Unsupervised
Generative
Adversarial Cross-modal Hashing
UnsupervisedGenerativeAdversarialCross-modalHashing,AAAI2018MotivationCross-modalhashing跨模态哈希问题,致力于将各种模态的数据放到一个公共哈希空间中,以更简洁快速地计对跨模态数据进行表达和计算、检索。非监督的方法相比较监督的方法更不用受到初始条件的约束,因此更灵活。但是现存的非监督的方法在计算时忽视了不同模态中
yyyyyyyyXu
·
2020-02-25 21:01
阅读笔记
Paper Weekly 第三期
这一期主要介绍两篇个关于生成对抗网络模型(GAN)的论文,这是一个比较新的模型类型,1.GenerativeAdversarialNets论文来源:http://papers.nips.cc/paper/5423-
generative
-adversarial-nets.pdf
black__jack
·
2020-02-20 11:22
论文翻译:Speech Super Resolution
Generative
Adversarial Network
博客作者:凌逆战论文地址:https://ieeexplore.ieee.org/document/8682215博客地址:https://www.cnblogs.com/LXP-Never/p/10874993.html论文作者:SefikEmreEskimez,KazuhitoKoishida摘要语音超分辨率(SSR)或语音带宽扩展的目标是由给定的低分辨率语音信号生成缺失的高频分量。它有提高电
凌逆战
·
2020-02-19 10:00
李宏毅深度学习(六):
Generative
Adversarial Network (GAN)
最近看了李宏毅老师的深度学习视频课程,真的是讲得十分细致,从头到尾看下来一遍,对深度学习模型有了一个基本的认识,趁着脑子还能记着一些东西,赶紧把学到的东西记录下来,以备后用。视频地址:https://www.bilibili.com/video/av9770302/from=search&seid=905421046757750252ppt地址:http://speech.ee.ntu.edu.t
文哥的学习日记
·
2020-02-16 14:57
GAN:
Generative
Adversarial Nets论文阅读
[toc]1.GenerativeAdversarialNetsarXiv:1406.2661[stat.ML]tensorflow2代码:https://github.com/zhangkaihua88/ML_Paper1.1.摘要通过对抗过程估计生成模型的框架,同时训练两个模型:生成模型G用来获取数据分布判别模型D估计样本来自训练数据而不是G的概率G的训练目标是为了最大化D产生错误的概率在任意
山雾幻华
·
2020-02-12 23:31
[论文理解] On the "steerability" of
generative
adversarial networks
Onthe"steerability"ofgenerativeadversarialnetworksIntro本文提出对GAN的latentspace进行操作的一种方法,通过对latentspace的编辑实现生成域外样本,操控生成样本的基本属性,如控制生成样本的位置、光照、二维旋转、三维旋转等等。文章的主要贡献为:证明并实现了通过在latentspace中的“walk”能够实现类似人类世界中相机的
aoru45
·
2020-01-30 23:00
【机器学习】(七)马尔可夫链、马尔可夫随机场、条件随机场
生成式(
generative
)模型考虑联合分布P(Y,R,O)判别式(di
超级超级小天才
·
2020-01-13 21:06
Generative
Image Inpainting with Contextual Attention
Abstract最近基于深度学习的方法已经显示出在图像中修复大的缺失区域的挑战性任务的有希望的结果。这些方法可以生成视觉上合理的图像结构和纹理,但通常会产生扭曲的结构或与周围区域不一致的模糊纹理。这主要是由于卷积神经网络明显地从远处空间位置借用或复制信息带来的不合理性。另一方面,传统的纹理和补丁合成方法效果还行当从周围区域借用纹理时。受这些观察的启发,我们提出了一种新的基于深度生成模型的方法,该方
风之羁绊
·
2020-01-06 22:23
[机器学习入门] 李宏毅机器学习笔记-19 (Deep
Generative
Model-part 2:深度生成模型-part 2)
[机器学习入门]李宏毅机器学习笔记-19(DeepGenerativeModel-part2:深度生成模型-part2)PDFVIDEOWhyVAE?用VAE,从codespace上去sample一个code,能得到一个比较好的image,而autoencoder可能得不到。这里写图片描述将code加上了noise,而variance决定了noise的大小,variance是train出来的。va
holeung
·
2020-01-01 22:10
One-Shot Generalization in Deep
Generative
Models 阅读笔记
一.引述传统深度网络:数据驱动大量迭代遇到新数据重新训练低效神经图灵机(NeuralTuringMachine):极少量样本便可以进行有效学习强大的推理能力人类水平的学习人们可以从仅仅一个或一小撮样本中学习一个新的概念,而机器学习的标准算法需要成百上千个类似的样本二.人类水平的概念学习(HumanLevelConceptLearning;one-shotlearning)给定一个单一的对象,人类可
BookThief
·
2019-12-24 22:13
文章学习41“RankSRGAN:
Generative
Adversarial Networks with Ranker for Image Super-Resolution”
本文是ICCV2019年一篇oral,由先进院同商汤合作的超分辨作品。本论文的出发点是ECCV2018年的PIRM比赛,以往的超分辨比赛都是以PSNR和SSIM作为评价指标,所以loss上以mse即可,然而今年的PIRM采用NIQE,PI和Ma值作为指标,这些指标大多都是不可微的,并且与PSNR指标相关性较低,所以作者将这些不可微的图像评价指标作为排序参考融入到SR网络中,使得恢复出来的高分辨率图
侯冠群
·
2019-12-24 01:26
week3day1-190805
Generative
_Formula and High_Function
generative
_formula1.生成式就是生成器的简写方式,类似于匿名函数与函数的关系语法:expressionforvariableinsequence用法:a.list(xforxinrange
我是键盘侠
·
2019-12-18 14:01
论文阅读(67)
Generative
Adversarial Residual Pairwise Networks for One Shot Learning
1.论文相关2018单样本学习的生成性对抗残差配对网络image.png2.摘要2.1摘要深度神经网络在许多任务上达到了前所未有的性能水平,并且在大量数据的情况下具有很好的扩展性,但是在小数据模式和像单样本学习这样的任务上的性能仍然落后。虽然最近的研究提出了许多假设,从更好的优化到更复杂的网络结构,但在这项工作中,我们假设有一个可学习的和更具表现力的相似目标是一个必不可少的缺失部分。为了克服这一问
续袁
·
2019-12-17 18:05
论文笔记 |《Photo-Realistic Single Image Super-Resolution Using a
Generative
Adversarial Network》
论文地址:https://arxiv.org/abs/1609.048021Introduction因为评价指标是PSNR,所以大多数方法都采用MSE损失。但是像素损失通常得到的结果都过于平滑,难以恢复出高频信息。MSE损失倾向于找到多个潜在的高清纹理细节的解的平均值,而GAN方法的鉴别器会引导网络生成一个和真实图像相似的高清解。2MethodHR图像高斯模糊再降采样得到LR方法的最终目的是训练一
温素年
·
2019-12-12 10:59
GAN家族简记
GAN家族简记这个github里面有很多GAN代码,简单易懂https://github.com/wiseodd/
generative
-models这个网站详细介绍了GAN的历程:http://www.openpcba.com
sysu_first_yasuo
·
2019-12-10 14:10
论文阅读笔记
GAN
Deeplearning
Review: Gain: Missing Data Imputation using
Generative
Adversarial Nets
ICML2018DOI:[1806.02920]GAIN:MissingDataImputationusingGenerativeAdversarialNetsGithub:GitHub-jsyoon0823/GAIN:GenerativeAdversarialImputationNetworks(GAIN)Abstruct:作者提出了基于GAN的数据补全方法。BackGround:数据的缺失是一
24_5901
·
2019-11-18 11:36
生成式测试(
Generative
Testing)
我们为什么要写单元测试?满足需求是所有软件存在的必要条件,单元测试一定是为它服务的。从这一点出发,我们可以总结出写单元测试的两个动机:驱动(如:TDD)和验证功能实现。另外,软件需求易变的特征决定修改代码成为必然,在这种情况下,单元测试能保护已有的功能不被破坏。基于以上两点共识,我们看看传统的单元测试有什么特征?基于用例的测试(ByExample)单元测试最常见的套路就是Given、When、Th
lambeta
·
2019-11-03 11:19
生成对抗网络(
Generative
Adversarial Networks,GAN)初探
1.从纳什均衡(Nashequilibrium)说起我们先来看看纳什均衡的经济学定义:所谓纳什均衡,指的是参与人的这样一种策略组合,在该策略组合上,任何参与人单独改变策略都不会得到好处。换句话说,如果在一个策略组合上,当所有其他人都不改变策略时,没有人会改变自己的策略,则该策略组合就是一个纳什均衡。B站上有一个关于”海滩2个兄弟卖雪糕“形成纳什均衡的视频,讲的很生动。不管系统中的双方一开始处于什么
郑瀚Andrew.Hann
·
2019-10-31 11:00
原始的GAN为什么处理离散数据效果很差?
以下是goodfellow的回答,链接(似乎需要):https://www.reddit.com/r/MachineLearning/comments/40ldq6/
generative
_adversarial_networks_for_text
阳阳鸭
·
2019-10-25 19:06
Generative
Adversarial Text to Image Synthesis
GenerativeAdversarialTexttoImageSynthesisAbstractIntroductionBackgroundGenerativeadversarialnetworksDeepsymmetricstructuredjointembeddingMethodsNetworkarchitectureMatching-awarediscriminator(GAN-CLS)L
_Summer tree
·
2019-10-23 10:40
GAN
text
to
image
iamge
synthesis
论文解析
你真的了解深度学习生成对抗网络(GAN)吗?
生成对抗网络(GANs,https://en.wikipedia.org/wiki/
Generative
_adversarial_network)是一类具有基于网络本身即可以生成数据能力的神经网络结构。
嵌入式资讯精选
·
2019-10-20 10:00
ASRWGAN: Wasserstein
Generative
Adversarial Network for Audio Super Resolution
ASEGAN:WGAN音频超分辨率这篇文章并不具有权威性,因为没有发表,说不定是外国的某个大学的毕业设计,或者课程结束后的作业、或者实验报告。CS230:DeepLearning,Spring2018,StanfordUniversity,CA.(LateXtemplateborrowedfromNIPS2017.)作者:JonathanGomes-Selman,ArjunSawhney,Wood
凌逆战
·
2019-10-16 11:00
AutoGAN: Neural Architecture Search for
Generative
Adversarial Networks阅读笔记
本文是ICCV2019的一篇文章,第一次将GAN利用网络架构搜索(NAS)来实现,非常有启发意义,遂写一篇阅读笔记。网络架构搜索在图像分类等问题上均取得了一定的成功,这篇文章首次将NAS应用于GAN生成问题。我们定义了生成器结构变量的搜索空间,并使用一个RNN控制器来指导搜索,通过参数共享和动态重置来加速搜索过程。以inception得分作为奖励,引入多级搜索策略,以渐进的方式进行搜索。实验验证了
lwpyh
·
2019-10-08 10:17
GAN
朴素贝叶斯(Naive Bayes)
一.生成式(
generative
)学习算法如果算法直接学习,或者尝试学习从输入空间到类别的映射关系的算法,称为判别式(discriminative)学习算法;比线性回归(lineaarregression
_与谁同坐_
·
2019-10-05 11:24
论文阅读笔记|Detect Rumors on Twitter by Promoting Information Campaigns with
Generative
Adversarial Learning
1.AbstractInthispaper,theauthorweattempttofightsuchchaos(FAKENEWS)withitselftomakeautomaticrumordetectionMorerobustandeffective;TheideaisinspiredbyadversariallearningmethodoriginatedfromGenerativeAdve
BillDingDJ
·
2019-10-03 20:00
使用GAN实现可变形医学图像配准DEFORMABLE MEDICAL IMAGE REGISTRATION USING
GENERATIVE
ADVERSARIAL NETWORKS
题目:使用GAN实现可变形医学图像配准传统的深度学习配准方法都采用迭代方法,作者采用GAN实现了一种端到端的多模态图像配准方法,消除了传统方法耗时的迭代直接生成有变形场的配准图像。前人工作:Sokootiet.al.[6]提出RegNet,它使用经过模拟变形训练的CNNs为一对单一模态图像生成位移向量场。Voset.al.[7][提出了一种可变形图像配准网络(dir-net),它以一对固定图像和一
一只大南瓜
·
2019-09-29 16:38
上一页
16
17
18
19
20
21
22
23
下一页
按字母分类:
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他