“深度学习”的版本间的差异

来自眩晕文档
跳转至： 导航、 搜索
（创建页面，内容为“## 深度学习混合模型 直接预测眼球模型参数具备无与伦比的速度优势。 损失函数至关重要，包括参数loss和眼球模型参数构…”）
 
 
（未显示同一用户的3个中间版本）
第1行： 第1行：
−
## 深度学习混合模型
+
'''深度学习混合模型'''
  
 
直接预测眼球模型参数具备无与伦比的速度优势。
 
直接预测眼球模型参数具备无与伦比的速度优势。
 +
 
损失函数至关重要，包括参数loss和眼球模型参数构建虹膜椭圆dice系数
 
损失函数至关重要，包括参数loss和眼球模型参数构建虹膜椭圆dice系数
 +
 +
静态参数和动态参数分别预测更加合理。
 +
静态参数采用LSTM
 +
动态参数采用CNN
 +
 +
 +
 +
模型参数迁移
  
  
第10行： 第19行：
 
CIoU 损失函数：
 
CIoU 损失函数：
 
应该修改CIoU，计算椭圆的IoU
 
应该修改CIoU，计算椭圆的IoU
 +
 +
 +
直接采用人工标签比较分析DICE，预测动态参数和静态参数，可能是可行的，也是最直接的。
 +
 +
 +
## 深度学习模型训练计划
 +
1. 眼球静态参数预测
 +
眼球半径，虹膜半径，眼球中心
 +
损失函数：虹膜椭圆DICE
 +
方法：
 +
Powell
 +
深度学习
 +
2. 角膜屈光系数预测
 +
损失函数：
 +
虹膜椭圆DICE，瞳孔椭圆DICE，虹膜光轴和瞳孔光轴视角和旋转角参数
 +
3. 动态参数
 +
虹膜中心，瞳孔椭圆参数
 +
 +
 +
## 基于深度学习的半规管分割
 +
半规管在CT/MRI体素里只占<0.3%,属于“极端前景-背景不平衡+拓扑必须连续”的三维医学分割人物。
 +
经验告诉我们：网络结构随便换，Lossxuanz
 +
关键是损失函数：
 +
1. 统计形状模型
 +
2. 中心线分析
 +
 +
 +
## 思考和想法
 +
1. EllSeg效果不错，速度快，实现像素级别分割
 +
2. EllSeg处理视频生成标签，利用梯度来改进标签
 +
3. 大数据训练眼球参数预测模型
 +
 +
问题：
 +
EllSeg是否可以集成眼球模型参数预测？

2025年9月23日 (二) 00:28的最新版本

深度学习混合模型

直接预测眼球模型参数具备无与伦比的速度优势。

损失函数至关重要，包括参数loss和眼球模型参数构建虹膜椭圆dice系数

静态参数和动态参数分别预测更加合理。 静态参数采用LSTM 动态参数采用CNN


模型参数迁移


yolo8 可以自定义损失函数：

DFL 损失函数 CIoU 损失函数： 应该修改CIoU，计算椭圆的IoU


直接采用人工标签比较分析DICE，预测动态参数和静态参数，可能是可行的，也是最直接的。


    1. 深度学习模型训练计划

1. 眼球静态参数预测 眼球半径，虹膜半径，眼球中心 损失函数：虹膜椭圆DICE 方法： Powell 深度学习 2. 角膜屈光系数预测 损失函数： 虹膜椭圆DICE，瞳孔椭圆DICE，虹膜光轴和瞳孔光轴视角和旋转角参数 3. 动态参数 虹膜中心，瞳孔椭圆参数


    1. 基于深度学习的半规管分割

半规管在CT/MRI体素里只占<0.3%,属于“极端前景-背景不平衡+拓扑必须连续”的三维医学分割人物。 经验告诉我们：网络结构随便换，Lossxuanz 关键是损失函数： 1. 统计形状模型 2. 中心线分析


    1. 思考和想法

1. EllSeg效果不错，速度快，实现像素级别分割 2. EllSeg处理视频生成标签，利用梯度来改进标签 3. 大数据训练眼球参数预测模型

问题： EllSeg是否可以集成眼球模型参数预测？

取自“http://wiki.3deyes.top/index.php?title=深度学习&oldid=438”