U-Net8 (작성 중...)[JIS] Deep Learning for Image Segmentation [JIS] Journal Introduction Summary: Deep Learning for Image Segmentation [Since 2020] 1. Zhou, Man, et al. "Deep fourier up-sampling." arXiv preprint arXiv:2210.05171 (2022). 2. (Swin-UNet) Cao, Hu, et al. "Swin-unet: Unet-like pure transformer for medical image segmentation." European conference on computer vision. Cham: Springer Nature Switzerland, 2022. 2. (Swin UNETR) Hatamizadeh, Ali, et al.. 2023. 11. 25. 비전 딥러닝 특강 - 7-3. Segmentation / Applied U-Net 2023. 8. 16. 비전 딥러닝 특강 - 7-2. Segmentation / FCN과 U-Net 2023. 8. 16. 비전 딥러닝 특강 - 4-3. 비전 딥러닝 설계 / 합성곱 신경망 모델 소개 2023. 4. 2. 비전 딥러닝 특강 - 4-2. 비전 딥러닝 설계 / Classification & Segmentation 2023. 4. 2. [U-Net] Ronneberger et al., 2015, U-Net: Convolutional Networks for Biomedical Image Segmentation. # Three-line Summary # We present a network and training strategy that relies on the strong use of data augmentation to use the available annotated samples more efficiently. The architecture consists of a contracting path to capture context and a symmetric expanding path that enables precise localization. Using the network trained on transmitted light microscopy images, we won the ISBI cell trac.. 2022. 8. 11. [BGnet] Mockl et al., 2020, Accurate and rapid background estimation in single-molecule localization microscopy using the deep neural network BGnet # 세줄 요약 # 형광현미경법에서 연구자가 원치 않는 임의의 공간 형태에서 나오는 배경 형광은 광학현미경 영상의 품질을 저하시키는 주요 원인 중의 하나이다. 저자들은 현미경 영상에서 배경을 빠르게 추정하여, 영상 내의 포인트 소스(point source)를 뛰어난 정확도로 측정하기 위해, 깊은 신경망(deep neural network) 중에 하나인 U-net 형태의 구조를 기반으로 하는 BGnet을 개발하였다. 저자들은 잘 학습된 BGnet으로 배경을 측정 후 제거함으로서 영상 내의 다양한 PSF(point source function)들을 추출할 수 있었고, 이렇게 배경을 제거한 영상들을 사용하여 정밀한 생체구조를 볼 수 있는 고품질의 초해상도 영상을 재구현하였다. # 상세 리뷰 # 1. Introd.. 2022. 7. 19. Kim et al., 2020, Active learning for accuracy enhancement of semantic segmentation with CNN-corrected label curations: Evaluation on kidney segmentation in abdominal CT # 세줄 요약 # Recent advances in fully convolutional networks have enabled automatic segmentation, however, high labeling efforts and difficulty in acquiring sufficient and high-quality training data is still a challenge. In this study, a cascaded 3D U-Net with active learning to 3 stages: first, training small dataset with manual labeling ground truth, second, training previous dataset and newly ad.. 2021. 8. 16. 이전 1 다음
