FastSAM for Image Segmentation Tasks — Explained Simply
图像分割是计算机视觉中的一项流行任务，其目的是将输入映像划分为多个区域，每个区域代表一个单独的对象。过去的几种经典方法涉及采用模型骨干（例如U-NET）并在专用数据集上进行微调。虽然微调效果很好，但GPT-2和[…]图像分割任务的FastSAM的出现 - 首先出现在数据科学上。
3D Medical image segmentation with transformers tutorial
实现 UNETR 在 BRATS 数据集上执行 3D 医学图像分割
Train in R, run on Android: Image segmentation with torch
我们使用 torch 及其高级接口 luz 在 R 中训练一个图像分割模型。然后，我们在示例输入上对模型进行 JIT 跟踪，以获得可以在没有安装 R 的情况下运行的优化表示。最后，我们展示了在 Android 上运行的模型。
An overview of Unet architectures for semantic segmentation and biomedical image segmentation
了解有关图像分割中广泛使用的最著名的卷积神经网络架构之一的所有信息。
Brain image segmentation with torch
各种科学及其应用都需要对图像进行分割，其中许多对人类（和动物）生命至关重要。在这篇介绍性文章中，我们训练了一个 U-Net 来标记 MRI 脑部扫描中的病变区域。
摘要：强大的计算平台与深度学习架构的结合带来了解决许多传统计算机视觉问题的新方法，以便自动解释大型且复杂的地理空间数据。随着数据的广泛获取和无人机系统的使用越来越多，此类任务尤为重要。本文档介绍了一个工作流程，利用 CNN 和 GPU 对 UAS 图像进行自动像素级分割，以加快图像处理速度。在多核 GPU 上探索基于 GPU 的计算和并行化，以减少开发时间，减少对大量模型训练的需求，并促进任务关键信息的利用。比较不同系统（单、虚拟、多 GPU）之间的 VGG-16 模型训练时间，以研究每个平台的功能。 CNN 结果显示，应用于地面实况数据时，准确率为 88%。将 VGG-16 模型与 GPU
Deep learning in medical imaging - 3D medical image segmentation with PyTorch
介绍了张量表示的基本 MRI 基础，以及应用深度学习方法处理特定任务问题（类别不平衡、数据有限）的基本组件。此外，我们还介绍了开源医学图像分割库的一些功能。最后，我们讨论了我们的初步实验结果并提供了查找医学影像数据的来源。
在图像分割中，图像的每个像素都被分配一个类别。根据应用，类别可以是不同的细胞类型；或者任务可以是二进制的，如“癌细胞是或否？”。无论应用领域如何，首选的既定神经网络架构都是 U-Net。在这篇文章中，我们展示了如何预处理数据并在 Kaggle Carvana 图像分割数据上训练 U-Net 模型。
Bridging the data gap in medical imaging with AI
新的GenSEG框架大大减少了对专家标记的数据的需求，并以仅40-50个样本的方式实现了高准确的医学图像分割。通过创建现实的合成扫描与精确标签配对，即使在数据限制的设置中，它也能够开发高级诊断工具。
Meta SAM 2.1 is now available in Amazon SageMaker JumpStart
我们很高兴地宣布，Meta 的 Segment Anything Model (SAM) 2.1 视觉分割模型已通过 Amazon SageMaker JumpStart 公开发布，可用于部署和运行推理。Meta SAM 2.1 在单个模型中提供了最先进的视频和图像分割功能。在这篇文章中，我们探讨了 SageMaker JumpStart 如何帮助数据科学家和 ML 工程师发现、访问和部署各种预先训练的 FM 进行推理，包括 Meta 迄今为止最先进、最强大的模型。
Create a SageMaker inference endpoint with custom model & extended container
这篇文章将引导您完成使用 NASA 的 Prithvi 模型在 SageMaker 上部署单个自定义模型的端到端过程。Prithvi 模型是 IBM 和 NASA 团队在连续的美国协调 Landsat Sentinel 2 (HLS) 数据上预先训练的首创时间 Vision 转换器。可以使用 mmsegmentation 库对其进行微调以进行图像分割，用于烧伤疤痕检测、洪水测绘和多时间作物分类等用例。
Soft Computing, Volume 28, Issue 15-16, August 2024
1) AENCIC：一种基于图像复杂度估计聚类数量的方法，用于图像分割的模糊聚类算法作者：Luis Madrid-Herrera、Mario I. Chacon-Murguia、Juan A. Ramirez-Quintana页数：8561 - 85772) 基于混合元启发式算法的深度神经网络肺癌检测和分类作者：Umesh Prasad、Soumitro Chakravarty、Gyaneshwar Mahto页数：8579 - 86023) 一种新的并行蝙蝠群优化算法及其在人工选择进化 CNN 架构中的应用作者：Kanishk Bansal、Amar Singh页数：8603 - 86214
IEEE Transactions on Evolutionary Computation, Volume 28, Issue 3, June 2024
1) 特邀编辑进化神经架构搜索作者：Yanan Sun、Bing Xue、Mengjie Zhang、Gary G. Yen页数：566 - 5692) 多目标进化神经架构搜索的帕累托排序分类器作者：Lianbo Ma、Nan Li、Guo Yu、Xiaoyu Geng、Shi Cheng、Xingwei Wang、Min Huang、Yaochu Jin页数：570 - 5813) EGANS：用于零样本学习的进化生成对抗网络搜索作者：Shiming Chen、Shuhuang Chen、Wenjin Hou、Weiping Ding、Xinge You页数：582 - 5964) 用于医学
What's new about generative AI in a business context?
过去八年，我一直在研究人工智能，学习在商业中构建和应用人工智能解决方案的来龙去脉。在犯了无数错误之后，我创建了自己的构建和应用该技术的方法。这一切都很好，直到 2022 年秋天，ChatGPT 发布，生成式人工智能的实用性和采用率突然上升。对于我的咨询公司 TodAI 来说，这意味着很多涉及生成式人工智能的新项目和大量的学习。在完成了几个项目之后，我发现了生成式模型在应用于商业时与其他人工智能明显不同的地方。有些很小，有些则非常重要。这些新的生成式人工智能模型如何改变应用人工智能的游戏规则？术语如果我们区分生成式人工智能和预测式人工智能，讨论这些变化会更容易。生成式人工智能是指大型预训练模型，
What is UNet? How Does it Relate to Deep Learning?
为什么重要：什么是 UNet？ UNet 是一种功能强大的深度学习架构，广泛用于图像分割任务。
Искусственный интеллект и беспилотники помогут находить борщевик Сосновского
Skoltech 的科学家开发了一种农业监测系统，可以在无人机 (UAV) 上进行实时图像分割并识别猪草。
