文件名称：NCCNet:用于模板匹配的弱监督深度度量学习
文件大小：16KB
文件格式：ZIP
更新时间：2024-06-04 17:16:57
Python
网络中心 通过归一化互相关（NCC）进行模板匹配被广泛用于查找图像对应关系。 我们通过使用经过训练以最大化NCC真假匹配值之间的对比度的“暹罗”卷积网络变换图像特征来提高该算法的鲁棒性。 我们的主要技术贡献是用于训练暹罗网络的弱监督学习算法。 与完全监督的度量学习方法不同，我们的方法可以改进原始NCC，而无需在训练过程中找到真正匹配的位置。 使用来自连续切片电子显微镜的脑图像斑块来量化改善。 相对于参数调谐带通滤波器，暹罗卷积网络可大大减少误匹配。 我们的方法的准确性提高对于连接组学可能是必不可少的，因为新兴的Petascale数据集在组装过程中可能需要数十亿个模板匹配项。 我们的方法也有望推广到其他使用模板匹配来查找图像对应关系的计算机视觉应用程序。 该代码取决于Cavelab（ ）。 用法 启动Docker环境 git clone https://github.com/seung
【文件预览】：
NCCNet-master
----.gitignore(1KB)
----requirements.txt(29B)
----src()
--------infer.py(1KB)
--------__init__.py(0B)
--------server.py(6KB)
--------prepare_data.py(8KB)
--------loss.py(2KB)
--------evaluation.py(5KB)
--------model.py(3KB)
--------data.py(2KB)
--------train.py(3KB)
----hparams.json(6KB)
----README.md(4KB)