- 博客(24)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 博客准则
为什么要写博客？ 很简单想法，想把自己对技术的理解，记录下来。自己从大学以来看到很多有趣的博客，从中受益颇多，希望自己也能向前辈一样，传播知识。网络博客很多，内容广泛，本人希望原创几篇有用的文章。目前的人工智能还是弱智能，比如说一个深度学习分类器，识别出0-9这10数字，但是不能结合这些已有知识推理出10以上的数字，所以自己将持续关注人工智能推理能力。也希望通过博客与大佬相互交流。美国...
2018-04-18 11:34:42
248
原创 信息论
熵信息：h(x)=−logp(x)h(x)=-log p(x)h(x)=−logp(x) ，假设h(x)h(x)h(x)可以表示信息，p是一件事情发生的概率，那么x, y两件独立的事情，如下 h(m) = h(x)+h(y)，所以h函数肯定具有log函数的性质那么若干个的平均信息量:H(x)=(h(0)+h(1)+...+h(n))/nH(x)= (h(0)+h(1)+...+h(n))/nH(x)=(h(0)+h(1)+...+h(n))/nH(x)=−∑xp(x)logp(x)H(x)=-\s
2021-05-07 17:36:57
315
原创 配准文献DeepFLASH: An Efficient Network for Learning-based Medical Image Registration
DeepFlashDeepFLASH: An Efficient Network for Learning-based Medical Image Registration论文源代码: deepflash简介:这是来自2020CVPR, 来自University of Virginia的文章，第一作者是个中国人；摘要提出了一个新颖的网络结构，是可有效训练和推断的；首先引入的复数值的操作和可提供关系关键控件的神经网络的特征表示；然后建立一个清晰的损失函数，用少量的参数在有限带宽的空间中特征化变形场；
2021-04-08 15:50:38
1108
3
原创 配准文献阅读 基于循环层级网络的无监督医学图像配准
基于循环层级网络的无监督医学图像配准Recursive Cascaded Networks for Unsupervised Medical Image Registration配准系列论文源代码: [微软github](https://github.com/microsoft/Recursive-Cascaded-Networks.)摘要针对形变图像配准定义一种循环层级网络; 虽然是循环层级网络，但是整个训练是end-to-end的和无监督的；效果达到不错的，对3d医学图像能减少不少
2021-04-03 14:41:23
1461
原创 pytorch 钩子(得到网络中间层值) 第一部分
pytorch 钩子 第一部分有段时间一直在纠结怎么不改变原有网络结构, 直接得到网络中间层值然后发现pytorch有这种方法_ register_forward_hook()下面简单的介绍其用法def get_feature(data, model, output): avgpool_layer = model._modules.get('avgpool'...
2020-01-09 11:16:54
516
原创 告别teamviewer, ubuntu用户可以使用免费的AnyDesk
研究生期间,经常需要跑实验,回到宿舍发现没办法看到实验室电脑的结果(实验室服务器,内网,需要穿透Nat),当时在同门推荐下teamviewer,然后发现用起来十分的方便,也快用了一年多了. 然后有阵子就发现同门window上的teamviewer报商业用户啊,自己还庆幸还好ubuntu没有这种情况.但是,这几个礼拜ubuntu也经常出现商业用户,没办法自己有没有多余的钱去买正版. 然后尝试了各种远...
2019-01-25 11:50:25
7976
2
原创 理解EnhanceNet
EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis背景实习公司老大，让我看下这篇文章，并讲下这篇论文，所以我写下这篇博客，并总结我对偏文章的认识。这篇结合三个领域：1.去噪相关，2.超分辨重建，3.对抗网络。基于像素重建的评价标准：peak signal-to-noise rat...
2018-08-30 16:10:51
2522
原创 UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS
UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS背景前面【1】和【2】都提到这篇文章，之前也有看过，但是没有好好理一遍。今天有时间整理并且发布在博客上。我们知道最早的GAN,并不是直接能用在深度卷积网络上。这篇paper主要在于提出一个deep c...
2018-08-28 16:53:54
1459
原创 Learning to Adapt Structured Output Space for Semantic Segmentation——CVPR2018
Learning to Adapt Structured Output Space for Semantic Segmentation——CVPR2018前面【1】一篇，有提到用对抗loss和半监督来做分割。而这篇可以说是对抗loss和域适配结合起来做的另一个工作了。背景：知识迁移和域适配：目标域(target domains，没有标注)和源域(source domains，有标注)...
2018-08-28 16:04:47
2054
原创 深度对抗网络用于分割(语义分割)——Adversarial Learning for Semi-Supervised Semantic Segmentation
Adversarial Learning for Semi-Supervised Semantic Segmentation这篇文章引入对抗网络，做半监督学习，想法很好，也被证明有效果，但是有多大的提高有待商榷。可以说这篇文章的思路重点在于思想。网络结构分割网络用的是DeepLab-v2+ResNet-101+ASPP结构。分割网络可以说很一般了，这篇paper的重点不在分割...
2018-08-27 18:09:38
11698
20
原创 Markov random fields——斯坦福cs 228
Markov random fields贝叶斯网络是一类模型可以简洁的表示感兴趣的概率分布。但是我们在Bayesian Networks中发现有些概率分布是不能由其表示的。在这种情况下，除非我们想去引入假性独立变量，我们回退一个较少的简洁的表示。但是会导致一个额外的不必要的参数在模型中，同时也让模型更加不容易学习和预测。然而，存在另一种简洁的表示分布概率的方式，它是基于语言的无向图。M...
2018-08-25 23:17:53
1906
原创 Bayesian Networks ——Stanford CS228
Bayesian Networks学习一个有效广泛的技术用来参数化概率分布仅仅用少量的参数。通过有向无环图(ＤＡＧs)来描述因果模型。研究模型假设和ＤＡＧ结构之间的关联；不仅模型假设要很清楚，而且应该设计更有效的推断算法。 在下一节，将研究无向图，也被称之为Markov random fields。基于ＢＮ的概率模型有向图模型是使用简洁的参数的概率分布家族。链式法则： ...
2018-08-25 17:16:36
1462
原创 Stanford 概率论(cs228)
看过很多国内概率论教程，感觉不是很清晰，分享一个很不错的斯坦福大学的概率论(偏机器学习)教程。适合高年级本科生以及研究生。有什么问题欢迎私信！...
2018-08-24 17:21:18
2102
2
原创 Deep Learning Models for Bone Suppression in Chest Radigraphs——论文笔记
Deep Learning Models for Bone Suppression in Chest RadigraphsmethodAutoencoder-like convolutional model 共享相同但相映射的编码器和解码器权重。实际上是一个降噪过程，但是这个噪声不是一个正态分布，而是有结构（骨架）。 滤波器大小为5*5，stride=[1, 2, 2, 1]. ...
2018-07-16 15:25:13
595
2
原创 motionBlur
基于opencv2的模糊def motionBlur(img,size=3): # 默认生成一个[0 0 0 1 1 1 0 0 0]的核 kernel_motion_blur = np.zeros((size, size)) kernel_motion_blur[int((size-1)/2), ...
2018-06-14 14:51:23
2118
原创 卷积神经网络画图神器ConvNetDraw
最近在找画图软件，有window visual，但是很难用。 偶然发现这款神器，推荐给大家画图神器，下图是效果图：
2018-06-13 17:24:01
22738
7
原创 python，Openslide自动切.SVS格式(WSI)病理图像
首先安装，openslide，如果是ubuntu用户，直接 sudo apt install python-openslide, 然后导入库import openslide然后导入DeepZoomGennerator,主要是多层金字塔形式封装from openslide.deepzoom import DeepZoomGenerator打开所需要读入的文件，给出文件名，sli...
2018-06-13 16:51:16
19602
16
原创 信息论——熵，散度，Wasserstein distance
信息熵 H(x)=-\int _{x}P(x)log(P(x))dx信息熵表示一个随机变量在经过随机事件结果，随机变量状态量的大小。条件熵表示的是在已知随机变量X的前提下，随机变量Y的信息熵，注意X是随机变量。H(Y|X) = \sum_{x,y}p(x,y)log\frac{p(x)}{p(x,y)}链式法则：H(X,Y)=H(X)+H...
2018-06-12 17:25:06
870
原创 GAN——Generative Adversarial Nets
Generative Adversarial Nets这篇文章思想之大在于将生成器和判别器结合在一起，前无古人。gan网络的开山之作，一个全新的网络，带有生成器（G）和判别器（D），生成器用来描述数据的分布，判别器是用来判别生成数据和真数据的差别或真假（可以用概率来描述真假的程度）。G应尽可以使D犯错。犹如两人的游戏，双方总想自己能赢。在函数空间中，总存在一类G和D，G能恢复训练数据集...
2018-06-11 18:11:40
732
原创 人工智能——Artificial Intelligence
AI ——Artificial Intelligence知识推理期 过程太过繁杂（太过偏于理性），人类遇到困难时，往往先从主观感受思考。从而，有人抛弃逐步推理的过程，改成模拟人类大脑。模拟学习期（机器学习） 从数据归纳自动学习。目前的机器学习只能学习到解决问题的能力。推理能力堪忧。 类脑结构 目前不清楚大脑是如何运作的，分析类脑结构时间也不容忽视。意识，这个太复杂，但是感觉应该有...
2018-06-05 10:18:04
1591
原创 Unet3D分割模型——pytorch
from torch import nnclass pub(nn.Module): def __init__(self, in_channels, out_channels, batch_norm=True): super(pub, self).__init__() inter_channels = in_channels/2 if in_chann...
2018-05-20 17:09:56
13672
52
原创 Ｕnet分割模型——pytorch代码
import torchimport torch.nn as nnclass pub(nn.Module): def __init__(self, in_channel, out_channel, batch_norm=True, keep_size=False): super(pub, self).__init__() pad = 1 if kee...
2018-05-19 12:36:47
7407
原创 深入理解深度学习分割网络Ｕnet——U-Net: Convolutional Networks for Biomedical Image Segmentation
背景 Ｍask = Function(I)1. 什么是图像分割问题呢？ 简单的来讲就是给一张图像，检测是用框出框出物体，而图像分割分出一个物体的准确轮廓。也这样考虑，给出一张图像 Ｉ，这个问题就是求一个函数，从I映射到Mask。至于怎么求这个函数有多种方法。我们可以看到这个图，左边是给出图像，可以看到人和摩托车，右边是分割结果。 2. 求这个函数有很多方法，但是第一次将深...
2018-05-19 12:06:10
288653
92
原创 分水岭算法——简介
什么是分水岭算法：定义在灰度图的变换。为什么叫分水岭？将水流格挡开。在地质学中，分水岭是分隔相邻集水盆地的分水岭。五种定义(1)洪水分水岭(Serge Beucher and Christian Lantuéj workshop on image processing, real-time edge and motion detection (1979)/Priority-flood: ...
2018-04-18 11:05:21
2259
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人