U-Net — это архитектура глубокого обучения, используемая для задач сегментации изображений, особенно в медицинской визуализации. Он был предложен Ronneberger et al. в 2015 году. Архитектура U-Net состоит из сужающегося пути и расширяющегося пути. Путь сокращения похож на архитектуру традиционной сверточной нейронной сети (CNN), где входное изображение постепенно понижается для извлечения признаков высокого уровня. Расширяющийся путь, с другой стороны, предназначен для восстановления..

Глубокое обучение оказалось очень успешным при работе с изображениями как данными и в настоящее время находится на этапе, когда оно работает лучше, чем люди, в нескольких случаях использования. Наиболее важные проблемы, которые люди интересовались решением с помощью компьютерного зрения, — это классификация изображений, обнаружение объектов и сегментация в порядке возрастания их сложности. В то время как в старой доброй задаче классификации изображений нас просто интересует получение..

В этом блоге я поделюсь объясненной реализацией сегментации изображений с использованием кластеризации K-средних. Также я поделюсь своей реализацией Jupyter Notebook для справки. Итак, прежде чем мы перейдем к реализации, давайте узнаем, что такое сегментация изображений и как ее использовать. Сегментация изображения: В компьютерном зрении сегментация изображения — это процесс разделения изображения на несколько сегментов. Цель сегментации изображения состоит в том, чтобы..