Jesse_08的博客

原创 【医学图像】IEEETIM自监督学习论文笔记

【医学图像】IEEETIM自监督学习论文笔记

原创 李沐：如何读论文？

如何读论文

原创 线性代数学习与记录

线性代数basic

原创 ubuntu cudnn安装

https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#ubuntu-installation

转载 泛化性数据集收集

泛化性数据集收集２．CQ500头部ＣＴ扫描识别出血、骨折和肿块效应ＣＱ５００数据集包含４９１个扫描和１９３３１７个切片网页链接：http://headctstudy.qure.ai/直接下载的链接：https://academictorrents.com/　网页里直接搜索ＣＱ５００即可下载３.ＩＳＬＥISLES Challenge 2018缺血性卒中病灶分割Isles 这个挑战被组织来评估，在精确MRI扫描图像中，中风病变及临床结果预测。提供了包含大量的精确中风样例和相关临床参数的MRI扫描

原创 极大似然估计MLE与推导

极大似然估计（MLE）与推导极大似然估计是什么？原作者写的很好，转载部分极大似然MLE极大似然估计，通俗理解来说，就是利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值！换句话说，极大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。可能有小伙伴就要说了，还是有点抽象呀。我们这样想，一当模型满足某个分布，它的参数值我通过极大似然估计法求出来的话。比如正态分布中公式如下：如果我通过极大似然估计，得到模型中两个参数，那么这个模型的均

转载 Boosting self-supervised Learning via Knowledge Transfer

Boosting self-supervised Learning via Knowledge Transfer这是一篇不错的2016CVPR， 值得一读https://amitness.com/knowledge-transfer/

原创 ubuntu鼠标大小变化

原创 混淆矩阵

混淆矩阵定义 confusion matrix

原创 论文笔记：Deep Residual Learning for Image Recogition

Deep Residual Learning for Image Recogition目前我主要使用的backbone是resnet backbone 花上一点点时间来好好学习一下Abstractresnet很厉害，是2015年的Imagenet与coco challenge的冠军Introduction：深度学习之中，我们通过提取到的低纬度中纬度高纬度的信息用于端对端的分类器的训练。 提出了一个问题：是不是网络的层数越多我们的效果就会越好呢？根据以往的情况好像是层数越多就越好，但是通过实验呢我们

原创 Medical Datasets

https://luna16.grand-challenge.org/https://medpix.nlm.nih.gov/homehttps://www.ncbi.nlm.nih.gov/pmc/https://radiopaedia.org/articles/covid-19-3https://www.sirm.org/category/senza-categoria/covid-19/

原创 论文笔记：What makes instance discrimination good for transfer learning?

论文笔记：What makes instance discrimination good for transfer learning?这是一篇很有意思的论文，站在监督/无监督/迁移学习的角度讨论的，不过在这篇论文的阅读之前需要一部分迁移学习的基础来帮助更好的理解论文，那么下面开始把。abstract：无监督的视觉基于instance discrimination的pretext task已经取得了巨大的成果。值得注意的事情是最近的基于无监督的pretraining已经超过了有监督的pretraini

原创 论文笔记：Dense Contrastive Learning for Self-Supervised Visual Pre-Training

论文笔记：Dense Contrastive Learning for Self-Supervised Visual Pre-TrainingABSTRACT:背景：主流的自监督模型都被设计和优化image classification。 但是预训练模型用于预测dense predication task的优化做的不太好，这是由于在image level和piexl level的prediction存在着差异。dense prediction tasks：predicting a label for

原创 论文笔记：Bootstrap Your Own Latent A New Approach to Self-Supervised Learning

学习目标：提示：这里可以添加学习目标例如：一周掌握 Java 入门知识学习内容：学习时间：提示：这里可以添加计划学习的时间例如：1、 周一至周五晚上 7 点—晚上9点2、 周六上午 9 点-上午 11 点3、 周日下午 3 点-下午 6 点学习产出：提示：这里统计学习计划的总量例如：1、 技术笔记 2 遍2、CSDN 技术博客 3 篇3、 学习的 vlog 视频 1 个...

转载 深度学习embedding含义

深度学习embedding含义：读论文老遇到embedding这个词，困扰了我几个星期的时间，一直没有去读相关方面的论文，今天先简单查询记录一下：学习内容：embedding看来在深度学习领域就是从训练数据中提取出的feature...

转载 Self-Supervised survey

Self-Supervised pretext tasks提示：入门推荐，介绍了图像/视频的pretext tasks知乎上找到王改改很好的翻译：author：Amit Chaudhary转载：https://zhuanlan.zhihu.com/p/184995155原文：https://amitness.com/2020/02/illustrated-self-supervised-learning/...

原创 读书笔记：Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks

Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks著名的faster R-CNN 当然应该好好读一读~Abstract：背景：先进的主流网络的目标检测网络，都依赖着region proposal algorithms来推测对象位置。先进的SPPnet Fast-RCNN 都减少了目标检测探测器的运行时间，通过将region proposal computation作为bottleneck（这个地方

原创 读书笔记：Fast R-CNN

读书笔记：Fast R-CNN：其实我先读的faster rcnn，但是读起来很困难，感觉faster rcnn默认我知道了很多预备知识；因此我先来读一读fast rcnn学习内容：提示：这里可以添加要学的内容例如：1、 搭建 Java 开发环境2、 掌握 Java 基本语法3、 掌握条件语句4、 掌握循环语句学习时间：The ROI Pooling layer添加链接描述学习产出：提示：这里统计学习计划的总量例如：1、 技术笔记 2 遍2、CSDN 技术博客 3 篇

原创 读书笔记： DetNet: Design Backbone for Object Detection

读书笔记： DetNet: Design Backbone for Object Detection：之前咱们不是读了adaptive convolution嘛，赶紧学以致用告诉我们为什么要用AC;Abstract：背景：CNN已经被广泛应用于目标检测任务，不管是单阶段的还是多阶段的网络，而且他们都经常使用Imagenet之中预训练（为了分类）;但是我们提出的目标检测的backbone一些不同的观点（feature extractor）Difference classification and

原创 Conda install error：段错误 (核心已转储)

Conda install error：错误提示：段错误 (核心已转储)问题描述：在提示conda install error之后，任何包都无法进行install;解决方案：我们可以使用运行conda clean -a然后再次运行conda install –conda clean -a 的作用删除索引缓存、锁定文件、未使用过的包和tar包...

原创 读书笔记：Classification Beats Regression: Counting of Cells from Greyscale Microscopic Images based on A

Classification Beats Regression: Counting of Cells from Greyscale Microscopic Images based on Annotation-free Training SamplesAbstract：背景：计算（灰度显微镜下的）细胞数量通常被视为回归问题，通常多多少少以来昂贵/耗时/耗事的人工标注数据集。我们的工作：我们提出了一个监督学习框架/机制，基于面向分类的CNN网络来计算显微镜下、细胞灰度图像，同时不需要人工标注的数据集。

原创 读书笔记：Self-Supervised GANs via Auxiliary Rotation Loss

读书笔记：Self-Supervised GANs via Auxiliary Rotation Loss在读完自监督综述之后，我们接着读这篇文章自监督GAN通过辅助旋转损失Abstract：背景：CGAN是处于自然图像合成的最前沿的方法，但是他的缺点也很明显，需要已经标注好的数据。答案1：我们要做的是缩小有条件gan CGAN和无条件GAN之间的差距；———》我们的方法是使用了对抗训练（adversarial train）与自监督学习；答案2：we allow the networks to

原创 读书笔记：Self-supervised Visual Feature Learning with Deep Neural Networks: A Survey

读书笔记：Self-supervised Visual Feature Learning with Deep Neural Networks: A Survey这一周的师兄给布置的任务有一点重，四篇论文的精读对我还是不小的挑战！那么首先我们从这篇综述：基于深度神经网络的自监督学习（视觉特征）Abstract：背景：通常来说训练一个对图像或视频能很好进行特征提取的深度神经网络需要大规模的标签数据，对于CV task来说。为了避免收集数据注释数据带来的高昂费用，我们提出了一种方法——这种方法是无监督学

原创 学习笔记：Adaptive Convolutional Kernels

Adaptive Convolutional KernelsAbstract学习内容：提示：这里可以添加要学的内容例如：1、 搭建 Java 开发环境2、 掌握 Java 基本语法3、 掌握条件语句4、 掌握循环语句学习时间：提示：这里可以添加计划学习的时间例如：1、 周一至周五晚上 7 点—晚上9点2、 周六上午 9 点-上午 11 点3、 周日下午 3 点-下午 6 点学习产出：提示：这里统计学习计划的总量例如：1、 技术笔记 2 遍2、CSDN 技术博客 3

原创 Cell Image Segmentation using Generative Adversarial Networks, Transfer Learning, and Augmentations

读书笔记：Cell Image Segmentation using Generative Adversarial Networks, Transfer Learning, and Augmentations利用GAN来增强数据集是我最近的学习之一，这几天我将重点放到数据集增强两篇论文中加强理解。同时这一次阅读论文我仍然以段落为单位进行阅读与提炼重点。Abstract：背景：我们已经解决了细胞的分割问题通过CNN网络以实现目标：我们目前的目标是对比CNN分割的准确性通过一下三种方法在很少标注的数据集

原创 读书笔记：Red blood cell image generation for data augmentation using Conditional Generative Adversarial

读书笔记：Red blood cell image generation for data augmentation using Conditional Generative Adversarial Networks利用GAN来增强数据集是我最近的研究之一，这几天我将重点放到数据集增强两篇论文中加强理解。同时这一次阅读论文我以段落为单位进行阅读与提炼重点。论文的主要内容：摘要abstract背景：提出了一种image2image增强的技术方法，通过我们提出的方法可以产生新的数据数量sample，同时

原创 读书笔记：Computer Vision for xray testing

读书笔记：Computer Vision for xray testing第四章：X-ray Image Processing1、图像预处理以增强细节2、图像滤波，以去除噪声或检测高频细节3、边缘检测识别物体边界4、图像分割隔离感兴趣的区域5、恢复图像，消除图像的模糊性学习内容介绍在处理图像时，我们需要先将图像处理得清晰可见，然后再对其进行图像分析。比如说对图像进行识别、解释、度量、特征提取Image preprocessing（图像预处理）必要性：在进行图像分析之前，必须对图像进

原创 图像处理_一张图带你明白低通/中值/高通滤波

图像处理_一张图带你明白低通/中值/高通滤波今天看书看得比较累，写字写得歪歪扭扭的请各位看官大老爷们见谅最近在读的是cv of xray testing

原创 x-ray铸件缺陷检测(YOLOV3)

X-ray铸件缺陷检测(YOLOV3网络)在暑假阶段老师给布置给我的实验任务是铸件的缺陷检测（x-ray）。我选择的网络是yolov3别人已经使用发展成熟的网络进行目标检测。我将本次实验分为数据集的处理+数据在yolov3网络下进行训练和验证。本次实验我参考的是GitHub中eriklindernoren的https://github.com/eriklindernoren/PyTorch-YOLOv31.数据集的处理按照GitHub上的要求，原始的数据集是肯定无法直接输入网络之中，必须对数据

原创 将gray图片转成三通道

在使用yolov3进行目标检测的过程中，我遇到了这样的一个奇怪的错误当时第一时间我也没有多想这个错误具体是什么情况，下意识网https://www.cnblogs.com/wywshtc/p/12699028.html上冲浪搜了搜这个错误看了前人所留的知识，果不其然我发现了应该这样修改代码img = transforms.ToTensor()(Image.open(img_path).convert('RGB'))# img = transforms.ToTensor()(Image.open(im