<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SDsqx6的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/SDsqx6</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; SDsqx6]]></copyright><item><title><![CDATA[【注意力机制】学习]]></title><link>https://blog.csdn.net/SDsqx6/article/details/130835051</link><guid>https://blog.csdn.net/SDsqx6/article/details/130835051</guid><author>SDsqx6</author><pubDate>Fri, 26 May 2023 21:42:45 +0800</pubDate><description><![CDATA[为了更有效地实现多对比度下的MRI超分辨率学习，多源信息需要利用注意力机制进行筛选和融合，因此需要利用注意力机制。]]></description><category></category></item><item><title><![CDATA[【MRI医学图像超分辨率项目-paddle架构】代码学习]]></title><link>https://blog.csdn.net/SDsqx6/article/details/130669508</link><guid>https://blog.csdn.net/SDsqx6/article/details/130669508</guid><author>SDsqx6</author><pubDate>Sun, 14 May 2023 21:15:39 +0800</pubDate><description><![CDATA[例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考“”"#3D数据转化2D“”"]]></description><category></category></item><item><title><![CDATA[论文复现—【MICCAI 2021】Task Transformer Network for Joint MRI Reconstruction and Super-Resolution]]></title><link>https://blog.csdn.net/SDsqx6/article/details/130170141</link><guid>https://blog.csdn.net/SDsqx6/article/details/130170141</guid><author>SDsqx6</author><pubDate>Sat, 15 Apr 2023 21:03:57 +0800</pubDate><description><![CDATA[最近开始了找论文复现的步骤，通过MRI super-resolution关键词在Github搜索，确定了合适的开源项目，此篇论文为MICCAI 2021会议论文，之前有粗略的读过，且从github上看实现步骤较清晰、简单，故尝试复现此篇。提示：以下是我在复现此篇论文时的步骤，仅供参考提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。]]></description><category></category></item><item><title><![CDATA[Linux服务器登录、环境配置和使用（个人总结版_纯小白版）]]></title><link>https://blog.csdn.net/SDsqx6/article/details/130058821</link><guid>https://blog.csdn.net/SDsqx6/article/details/130058821</guid><author>SDsqx6</author><pubDate>Mon, 10 Apr 2023 21:48:37 +0800</pubDate><description><![CDATA[学习要用到深度学习，跑代码和数据集的工作量很大，有幸得到实验室分配的服务器使用机会，从一个完全小白的角度总结一下服务器的使用。提示：以下是本篇文章参考的文献以上是我目前使用服务器运行python程序的学习经验，目前仅涉及到了自己python代码的CPU和GPU运行，还没有真正完成深度学习用到的环境配置，以及大体量数据集下载到服务器的部分，争取尽快更新出来。]]></description><category></category></item><item><title><![CDATA[《DuDoRNet: Learning a Dual-Domain Recurrent Network for Fast MRI Reconstruction with Deep T1》总结]]></title><link>https://blog.csdn.net/SDsqx6/article/details/129876837</link><guid>https://blog.csdn.net/SDsqx6/article/details/129876837</guid><author>SDsqx6</author><pubDate>Fri, 31 Mar 2023 16:53:36 +0800</pubDate><description><![CDATA[提示：以下是本篇文章正文内容提示：这里对文章进行总结：通过具有大感受野的DRD-Nets来循环恢复图像和k-空间领域。T1先验被嵌入到每个循环块中，以深入指导这两个领域的恢复工作。广泛的实验结果表明，虽然以前的单域快速MRI方法在直接减少图像域的混叠伪影方面能力有限，但我们的DuDoRNet可以有效地恢复重构，并且T1先验可以进一步显著提高结构恢复能力。]]></description><category></category></item><item><title><![CDATA[【MRI图像超分辨率入门及研究综述（个人总结版）】]]></title><link>https://blog.csdn.net/SDsqx6/article/details/129858533</link><guid>https://blog.csdn.net/SDsqx6/article/details/129858533</guid><author>SDsqx6</author><pubDate>Thu, 30 Mar 2023 17:40:18 +0800</pubDate><description><![CDATA[本文主要记录从小白入门MRI_SR的过程及其研究综述，为了总结方便，本文仅简单列举了学习步骤及资源链接。如有侵权联系必删K空间（傅里叶空间）是一个虚拟的空间，它是存储MRI所有频率信息的一个三维的空间，是用来MR信号的定位的空间采样规模大小MRI图像模态磁场B0强度特殊性质（如疾病类型）提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。]]></description><category></category></item><item><title><![CDATA[【CSDN博客入门】]]></title><link>https://blog.csdn.net/SDsqx6/article/details/129840090</link><guid>https://blog.csdn.net/SDsqx6/article/details/129840090</guid><author>SDsqx6</author><pubDate>Wed, 29 Mar 2023 17:16:37 +0800</pubDate><description><![CDATA[极其简陋的写博客方法，仅供自己学习记录]]></description><category></category></item></channel></rss>