分类
交易二元战略选择

基于这个指标的策略效果更好

A2:

An unsupervised unimodal registration method based on Wasserstein Gan

本文提出一种基于Wasserstein Gan的无监督单模配准方法。与现有的基于深度学习的单模配准方法不同,本文的方法完成训练不需要Ground truth和预设的相似性度量指标。本文方法的主要结构包括生成网络和判别网络。首先,生成网络输入固定图像(正例图像)和浮动图像并提取图像间潜在的形变场,通过插值方式预测配准图像(负例图像);然后,判别网络交替输入正例图像和负例图像,判断图像间的相似性,并将判断结果作为损失函数反馈,进而驱动网络参数更新;最后,通过对抗训练,生成网络预测的配准图像能欺骗判别网络,网络收敛。实验中随机选取30例LPBA40脑部数据集、25例EMPIRE10肺部数据集和15例ACDC心脏数据集用作训练数据集,然后将剩下的10例LPBA40脑部数据集、5例EMPIRE10肺部数据集和5例ACDC心脏数据集用作测试数据集。配准结果与Affine算法、Demons算法、SyN算法和VoxelMorph算法对比。实验结果显示,本研究算法的DICE系数(DSC)和归一化相关系数(NCC)评价指标均是最高,表明本文方法的配准精度高于Affine算法、Demons算法、SyN算法和目前无监督的SOTA算法VoxelMorph。

Abstract

We propose an unsupervised unimodal registration method based on Wasserstein Gan. Different from the existing registration methods based on deep learning, the proposed method can finish training without ground truth or preset similarity metrics. The network is composed of a generation network and 基于这个指标的策略效果更好 a discrimination network. The generation network extracts the potential deformation fields between fixed images (positive images) and moving images, and predicts the registered images (negative images) by interpolation; the discrimination network then judges the similarity between the positive images and negative images that are input alternately, and feeds back the judgment result as a loss function to drive the network parameter update. Finally, through adversarial training, the registration image generated by the generation network 基于这个指标的策略效果更好 deceives the discrimination network and the network converges. In the experiment, we randomly selected 30 cases of LPBA40 brain dataset, 25 cases of EMPIRE10 lung dataset and 15 cases of ACDC heart dataset as the training datasets, with 10 cases of LPBA40 brain dataset, 5 cases of EMPIRE10 lung dataset and 5 cases of ACDC heart dataset as the test datasets. The results of registration were compared with those obtained using Affine algorithm, Demons algorithm, SyN algorithm and VoxelMorph algorithm. The DICE coefficient (DSC) and the normalized correlation coefficient (NCC) evaluation index of the proposed algorithm were the highest, indicating a better registration accuracy of our method than Affine algorithm, Demons algorithm, SyN algorithm and the current unsupervised SOTA algorithm VoxelMorph.

在临床应用中,精确地完成术前图像和术中图像的配准是准确定位病灶与手术成功的关键。传统的配准方法包括使用b-spline的Elastix [1] 、光流模型Demons [2] 和标准对称归一化SyN算法 [3] 等通过参数或非参数的迭代优化建立待配准图像间的空间变换函数,但这些方法需要进行高维的数值优化,导致配准速度慢,计算成本高。而基于深度学习的配准方法研究思路主要有两个:基于卷积神经网络优化策略的配准方法 [4-5] ;基于卷积神经网络直接估计配准变换参数的方法 [6-8] 。基于卷积神经网络优化策略的配准方法虽然能提高配准指标,但是未考虑待配准图像中存在的噪声和伪影,训练中难以保证导数能平滑地优化,导致很难获得良好对齐的图像。基于卷积神经网络直接估计配准变换参数的方法包括基于CNN回归配准方法和基于CNN端到端配准方法。基于CNN回归配准方法通过训练CNN回归器来估计待配准图像间潜在的变换参数 [7] ,这种方法虽然能解决速度慢、捕获范围小的问题,但不足之处是不能应用到形变图像配准中。目前,基于CNN端到端配准方法主要分为有监督的和无监督的配准方法。有监督的配准方法在训练中使用Ground 基于这个指标的策略效果更好 truth惩罚网络输出和期望输出之间的差异 [9-11] ,但这种方法受到Grouth truth标签数据短缺的限制,导致实际可用性变差。而无监督的配准方法旨在没有金标准的情况下,通过优化配准图像和目标图像间预设的相似性度量指标完成训练 [13, 16] ;如将可微分的STN网络插入到CNN中的VoxelMorph算法 [14, 15] 。这种无监督配准方法的不足之处是面对不同的配准目的,最终难以确定一个最有效的相似性度量指标,可能导致配准效果变差。

医学图像配准过程中,个体解剖图像与标准图谱之间出现较大形变和复杂形变是不可避免的,这种现象会增加配准难度,导致很难获得病灶区域全面的形变特征。受生成对抗网络能利用密度比估计最大化数据分布的概率密度 [17] ,从而能显著提高网络特征提取能力的启发,若能在无监督配准策略的前提下,用对抗相似性替代预设的相似性度量指标完成配准图像和标准图谱间的相似性判断,算法能更加精确地进行特征值提取、特征值差异对比,进而完成较大形变和复杂形变的配准;此外,训练中还会因为病理样本数据不足、病理样本数据不均衡问题导致网络出现过拟合现象,但生成对抗网络 [18] 强大的图像生成能力,可以帮助解决训练样本不足的问题。

因此,本文提出一种基于Wasserstein Gan [19] 的无监督单模配准方法。该方法首先利用生成网络完成图像配准,以便向判别网络提供输入(作为负例图像),然后判别网络负责判断输入图像间的相似性,并向训练中的网络提供反馈信息,进而更新优化网络参数,驱动生成网络训练。最后为了避免生成对抗训练中常出现的梯度消失或爆炸的现象,设置梯度惩罚函数 [20] ,提高训练的稳定性。

基于这个指标的策略效果更好

官方公众号 企业安全 新浪微博

FreeBuf+小程序

近年来可视化已被多次提及,比如在运维和安全方向,但是做效果容易,要如何提高可视化的实用性,避免成为一项面子工程?

A1:

A2:

A3:

A4:

A5:

Q:企业安全是否一定要全面可视化?哪些场景比较适用,哪些实现起来效果还不甚理想?

A1:

A2:

其实我关注的一个是攻击趋势一个是漏洞修复情况。攻击地域,我们已经把境外全 Ban 了,漏洞这个,很多欠帐,不好解决。

A3:

A4:

A5:

A6:

A7:

A8:

A9:

A10:

A11:

A12:

A13:


Q:在现阶段的攻防实战演练中,红蓝双方可以在哪些方面运用可视化?比如红方利用可视化扫描目标资产及系统漏洞、分析人员构成及属性进行精准的社工钓鱼?对蓝方而言利用可视化进行检测入侵、路径溯源?对于防守方而言,可视化的作用是否更大?

A1:

A2:

话题二:请问大家一般用的数据库加密方案是哪种?

如有疑问,也可扫码添加小助手微信哦!

氛围感与沉浸式:抖音电商服务商让品效合一轻松实现

创业最前线 2022-08-24 10:52 发布于北京 发文

1、氛围感与沉浸式:户外直播的新型驱动力

在线下,依托长白山旅游胜地得天独厚的优势,抖音电商联动户外头部品牌、户外机构、户外达人注入专业活力,打造国内露营节“天花板”;在线上,围绕丰富的传播与营销资源,打造话题#长白山云梯露营节 、 #livelog潮流好物计划 ,借势潮流内容助力品牌服务商帮助品牌实现营销破圈。

希恩GXG项目负责人邵佳姗认为,品牌 、服务商 、户外场景三者的交融,给消费者带来新鲜感,尤其是户外烟花、户外露营、音乐节等短视频引流效果比较可观。数据显示,活动期间GXG官号累计发布了93条话题视频,粉丝触达率高达16.55%;直播间在线峰值人数上涨561%。

2、精细化运营:品效合一的源动力

3、抖音电商搭台:品牌资产增厚的不二选择

创业最前线

创业最前线

  • 1 台积电认清了形势,新的建厂计划没有美国,中国芯片也得到重视
  • 2 未享红利已入红海,充电桩的风口还在吗?
  • 3 中国芯片制造产业链的重大突破,5nm设备即将发给台积电
  • 4 声网“失声”的危机
  • 5 又一家国产芯片拥有5nm先进封装技术,推动国产芯片再进一步
  • 6 三星终于认识到中国制造的重要性,将投资229亿扩建西安工厂

举报文章问题

举报评论问题

我们的网站:人工智能网 | 物联网 | 医疗科技网 | 机器人网 | 激光网 | 电子工程网 | 锂电网 | 太阳能光伏网 | 光通讯网 | 半导体照明网 | 智能制造网 | 工控网 | 氢能网 | 安防网 | 智能家居网 | 智慧城市网 | 新能源汽车网 | 智能汽车网 | 显示网 | 可穿戴设备网 | 智慧海洋网 | 云计算网 | 智能硬件网 | 新材料网 | 通信网 | 储能网 | 3D打印网 | 传感器网 | 环保网 | 仪器仪表网 | VR 网 | 风电网 | 智能电网 | 电力网 | 照明网 | 电源网 | 光学网 | PCB网 | 人才网 | 商城 | 外贸网 | 培训网| 工采网
客服热线:4009962228 客服传真:+86-755-83279008 基于这个指标的策略效果更好
粤ICP备06087881号 Copyright © 2022 , All Rights Reserved.
中文版权所有-OFweek维科网(高科技行业门户)网站所有图片、文字未经许可不得拷贝、复制。

基于这个指标的策略效果更好

例如,二季度,小鹏的交付量为34422辆,同比增长了98%,但今年一季度,小鹏的交付量为34561辆,而再上一个季度,也就是2021年4季度,小鹏的交付量为41751辆,也就是说,小鹏的交付量已经连续两个季度下滑。

此外,根据第二季度财报,小鹏的总收入为74.363 亿元,同比上升了97.7%,其中汽车销售收入为69.385 亿元,同比上升了93.6%,但要看环比的话,这两个指标基本是持平的。

此外,二季度,小鹏的毛利率为10.9%,汽车利润率为9.1%,而一季度,公司的毛利率12.2%,汽车利润率10.4%。当然,不管是哪个数字,与理想、蔚来接近于20%的毛利率相比,都还有较大的提升空间。

不过,也有人指出,至少在销量上,小鹏已经赢了造车新势力的另外两家。其于2021年以98155台的销量登上了造车新势力销量榜单的第一位,今年,这个势头再次延续,1月-7月小鹏的三款车型总销量再排第一,以80507台的数值高过了理想的70825台、蔚来的60879台。