亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

語義圖像分割任務包括將圖像的每個像素分類為一個實例，其中每個實例對應一個類。這個任務是場景理解或更好地解釋圖像的全局上下文概念的一部分。在醫學圖像分析領域，圖像分割可用于圖像引導干預、放療或改進的放射診斷。本綜述將基于深度學習的醫學和非醫學圖像分割解決方案分為六大組:深度架構、基于數據合成、基于損失函數、排序模型、弱監督和多任務方法，并對每一組的貢獻進行全面綜述。然后，針對每一組，我們分析了每一組的不同，并討論了當前方法的局限性和未來語義圖像分割的研究方向。

雖然像CNNs這樣的深度學習模型在醫學圖像分析方面取得了很大的成功，但是小型的醫學數據集仍然是這一領域的主要瓶頸。為了解決這個問題，研究人員開始尋找現有醫療數據集之外的外部信息。傳統的方法通常利用來自自然圖像的信息。最近的研究利用了來自醫生的領域知識，通過讓網絡模仿他們如何被訓練，模仿他們的診斷模式，或者專注于他們特別關注的特征或領域。本文綜述了將醫學領域知識引入疾病診斷、病變、器官及異常檢測、病變及器官分割等深度學習模型的研究進展。針對不同類型的任務，我們系統地對所使用的不同類型的醫學領域知識進行了分類，并給出了相應的整合方法。最后，我們總結了挑戰、未解決的問題和未來研究的方向。

【導讀】時尚是我們向世界展示自己的方式，并已成為世界上最大的產業之一。時尚主要通過視覺傳達，近些年來已經吸引了諸多計算機視覺研究者的關注。基于這個領域的快速發展，本文對200多篇與時尚相關的論文進行了全面的概述，從四個方面對實現智能型時尚進行介紹與探討;(1)時尚檢測包括特征點檢測(landmark detection),時尚解析和條目檢索，(2)時尚分析包括屬性識別，款式學習和流行預測，(3)時尚合成包括風格轉換、姿勢轉換和物理模擬,(4)時尚推薦包括時尚搭配、服裝搭配、發型建議。針對每項任務，我們總結了基準數據集和各種評估方式。此外，我們強調了未來有希望的研究方向。

介紹

時尚就是某種我們把自己展示給世界的方式。我們的穿著和打扮方式決定了我們獨一無二的風格和與眾不同。時尚在現代社會已經成為我們不可或缺的一部分。不出所料，僅全球服裝市場就已超過3萬億美元，占世界國內生產總值(GDP)的近2%。具體來說，到2020年，時尚領域的收入將超過7180億美元，預計年增長率將達到8.4%。

隨著人工智能中計算機視覺的高速發展，人工智能已經開啟了時尚界的大門，通過電子零售，個性化的設計師到時尚設計流程來重塑我們的時尚生活。在這篇論文中我們把計算機視覺時裝技術稱為智能時裝。從技術上講，智能時尚是一項具有挑戰性的任務，因為與一般對象不同，時尚物品在風格和設計上存在很大的差異，最重要的是，可計算的低級特征和我們所編碼的高級語義概念之間存在著巨大且長期的語義鴻溝。

文章的貢獻點如下：

我們對目前在時尚領域最先進的研究成果進行了全面的調查，并將時尚研究主題分為四個主要類別:檢測，分析，合成和建議。

對于智能時尚研究中的每一個類別，我們都會對其中最重要的方法及其貢獻進行深入和系統的回顧。此外，我們還總結了各種基準數據集以及到相應門戶網站的鏈接。

我們收集了不同任務的評估指標，并給出不同方法性能之間的比較。

我們列出了未來可能的研究方向，這有助于促進和激勵這一領域的發展。

2.時尚檢測

由于大多數和時尚相關的研究工作的第一步就是檢測，所以時尚檢測技術是重中之重。以虛擬試穿為例，它需要提前探測輸入的圖片中關于人體的各種信息，包括但不限于體型的信息、身體的位置，然后對推薦的服飾進行合成。因此，檢測是大多數后續工作的基礎。在這一章節中，我們主要關注時尚檢測任務，從三個方面對其進行介紹：特征點檢測，時尚解析和條目檢索。每一個方面都會介紹先進的方法，基準數據集以及方法之間的比較。

3.時尚分析

時尚不僅僅是關于人們應該穿什么而且還反應了人們的性格特點，會流露出其他社會線索。智能時尚分析在時尚產業、精準營銷、社會學分析等領域有著巨大的發展潛力，因此，對人們選擇穿什么款式的衣服進行推薦的智能時尚分析近年來受到越來越多的關注。在這一章節，我們主要關注時尚分析領域中的三個領域：屬性識別，款式學習和流行預測。對于每一個領域，我們都會介紹該領域中的先進方法，基準數據及和方法之間的比較。

4.時尚合成

給出一個人的照片，我們要能夠想象這個人喜歡什么樣的打扮風格和服飾穿著。我們可以通過一張現實生活中的照片進行綜合分析。在這一章節中，我們回顧了這項任務的發展歷程，包括風格轉換、姿態轉換和物理模擬。

5.時尚推薦

盡管不是每個人天生就是一個時尚家。根據自身的需求，時尚推薦已經吸引了越來越多的關注。和時尚推薦相關的文獻可以被分為三個主要的類別：時尚搭配，服裝搭配和發型建議。

簡介：

近年來，由于機器學習（ML）/深度學習（DL）技術使用多維醫學圖像，在從一維心臟信號的心臟驟停的預測到計算機輔助診斷（CADx）的各種醫療保健應用中的卓越性能，見證了機器學習（ML）/深度學習（DL）技術的廣泛采用。盡管ML / DL的性能令人印象深刻，但對于ML / DL在醫療機構中的健壯性仍然存有疑慮（由于涉及眾多安全性和隱私問題，傳統上認為ML / DL的挑戰性很大），尤其是鑒于最近的研究結果表明ML / DL容易受到對抗性攻擊。在本文中，我們概述了醫療保健中各個應用領域，這些領域從安全性和隱私性的角度利用了這些技術，并提出了相關的挑戰。此外，我們提出了潛在的方法來確保醫療保健應用程序的安全和隱私保護機器學習。最后，我們提供了有關當前研究挑戰的見解以及未來研究的有希望的方向。

內容大綱：

摘要：深度學習是近年來應用最廣泛的心臟圖像分割方法。在這篇文章中，我們回顧了超過100篇使用深度學習的心臟圖像分割論文，這些論文涵蓋了常見的成像方式，包括磁共振成像(MRI)、計算機斷層掃描(CT)和超聲(US)以及感興趣的主要解剖結構(心室、心房和血管)。此外，公開可用的心臟圖像數據集和代碼庫的摘要也包括在內，為鼓勵重復性研究提供了基礎。最后，我們討論了當前基于深度學習的方法的挑戰和局限性(缺乏標簽、不同領域的模型可泛化性、可解釋性)，并提出了未來研究的潛在方向。

Deep Learning based Recommender System: A Survey and New Perspectives

隨著在線信息量的不斷增長，推薦系統已成為克服此類信息過載的有效策略。鑒于其在許多網絡應用中的廣泛采用，以及其改善與過度選擇相關的許多問題的潛在影響，推薦系統的實用性不容小覷。近年來，深度學習在計算機視覺和自然語言處理等許多研究領域引起了相當大的興趣，不僅歸功于出色的表現，而且還具有從頭開始學習特征表征的吸引人的特性。深度學習的影響也很普遍，最近證明了它在應用于信息檢索和推薦系統研究時的有效性。顯然，推薦系統中的深度學習領域正在蓬勃發展。本文旨在全面回顧最近基于深度學習的推薦系統的研究工作。更具體地說，我們提供并設計了基于深度學習的推薦模型的分類，并提供了最新技術的綜合摘要。最后，我們擴展了當前的趨勢，并提供了有關該領域新的令人興奮的發展的新觀點。