→ fragmentwing: 我知道有itk-snap 可是這個好像是三維的也查不太到 09/13 13:15
→ fragmentwing: 它背後的演算邏輯 不知道有沒有專門做二維圖像的? 09/13 13:15
→ fragmentwing: 自己有嘗試過用cv2的sift演算法去抓特徵不過抓出來 09/13 13:15
→ fragmentwing: 不太理想 09/13 13:15
→ wuyiulin: 光線我沒想法,但是在三維重建我們會用 Multi-View 09/13 16:06
→ wuyiulin: 你應該找 HDR 之類的關鍵字可以找得到 09/13 16:06
→ wuyiulin: 我之前有讀過一篇關於二/三維模型融合的 09/13 16:10
→ wuyiulin: 如果對你有幫助的話就太好了 09/13 16:10
→ fragmentwing: 謝謝大大 其實我是要找二維的 09/13 16:51
→ fragmentwing: 光線這個舉例看來是不好 09/13 16:52
→ fragmentwing: 面臨的狀況是二維陣列構成的照片A和B 要用A當基準去 09/13 16:59
→ fragmentwing: 修復B B看起來可能有整體位移+局部扭曲 本來應該是 09/13 16:59
→ fragmentwing: 一般的拼接就可以處理 可是又有局部扭曲的問題要處 09/13 16:59
→ fragmentwing: 理 有查到這種局部扭曲的話要用變形場去看的樣子 不 09/13 16:59
→ fragmentwing: 過我只查到怎麼去弄變形場(還是nii這種3維類型的資 09/13 16:59
→ fragmentwing: 料 所以也還沒法把這一步完全實作出來)而且沒看到 09/13 16:59
→ fragmentwing: 怎麼重建 09/13 16:59
→ fragmentwing: 因為可能有涉及保密問題我只能講得這麼含糊 對大大 09/13 17:00
→ fragmentwing: 感到很抱歉 09/13 17:00
推 wuyiulin: 沒事,我在解工作上的問題也常常有這種困擾啊哈哈哈 09/13 17:29
→ fragmentwing: 感謝大大體諒QAQ 09/13 17:38
→ chang1248w: 抓地標然後對圖片線性轉換來對齊 09/13 17:44
→ chang1248w: 這樣做的前提是空拍角度不能差太多 09/13 17:44
→ chang1248w: 找出地標的向量資訊之後這題就不難 09/13 17:45
→ chang1248w: 比對的部分你要傳統cv或深度分割都行 09/13 17:46
→ fragmentwing: 謝謝c大 09/13 17:59
→ fragmentwing: 可以再問傳統cv是甚麼嗎 我不太確定這個和機器學習 09/13 17:59
→ fragmentwing: 的cross validation是不是指同一件事? 深度分割指的 09/13 17:59
→ fragmentwing: 是像skimage的segmentation 和 restoration? 09/13 18:00
→ fragmentwing: 大大考慮的角度 兩張圖是不會差太多 09/13 18:01
→ chang1248w: computer vision 09/13 20:58
→ lycantrope: 在用opencv都沒想過cv代表什麼嗎w 09/13 21:59
→ fragmentwing: 謝謝C大 09/14 15:13
→ fragmentwing: 真的沒去查過這點…… 09/14 15:13
推 chang1248w: character voice 09/14 19:01
→ chang1248w: 聲優啦聲優,我們都是開放式聲優 09/14 19:01
推 NDEJG: 弄成正射影像不行嗎? 09/16 04:20
→ Sfly: Alignment + change detection 09/27 16:57
→ truehero: image registration? 09/29 00:16
→ fragmentwing: 上面兩樓的大大提的感覺都有關係 09/30 18:47
→ fragmentwing: registration 之前用超像素分割來用失敗了不知道cnn 09/30 18:48
→ fragmentwing: 弄下去會不會好點 09/30 18:48
→ truehero: 找SOTA,上面這篇算古老了,voxelmorph系列看看 09/30 22:22
→ fragmentwing: t大 我看有人用minst來示範 不過voxelmorph預訓練好 10/01 02:31
→ fragmentwing: 像只有提供3d的資料? 10/01 02:31
→ truehero: 沒差~~你的資料比較特別, 我覺得基本上是要重頭TRAIN 10/01 22:51
→ fragmentwing: 資料量可能不太夠 所以我在看能不能先從預訓開始 理 10/02 10:26
→ fragmentwing: 論上是要讓機器學習"變形"這個概念(我的理解是這跟 10/02 10:26
→ fragmentwing: 孿生網路應該是類似的狀況 孿生網路訓練是訓練出何 10/02 10:26
→ fragmentwing: 謂"相似"’) 所以我在看能不能拿一般的預訓模型起 10/02 10:26
→ fragmentwing: 步 甚至拿醫療資料硬改成灰階2D來做訓練 希望能成功 10/02 10:26
→ fragmentwing: 吧 10/02 10:26
→ fragmentwing: 話說這個做augmentation 也一樣有用嗎? 10/02 10:27
→ fragmentwing: 畢竟牽涉變形 不知道augmentation會不會破壞原本的 10/02 10:30
→ fragmentwing: 變形特性 10/02 10:30
→ fragmentwing: 我知道這聽起來和我想拿別的資料來預訓的想法蠻矛盾 10/02 10:35
→ fragmentwing: 的 10/02 10:35
→ fragmentwing: …… 10/02 10:36
→ truehero: 如果期望方式是試2D+pretrian ,那下面這種樹看下吧 10/03 21:25
→ fragmentwing: 感謝 10/04 19:53