- 博客(103)
- 收藏
- 关注
RSS订阅原创 CPT204 Advanced OO Programming（2）
CPT204是这样的，erick只要课改和把代码往ppt堆就可以，可是学生要考虑的事情就很多了
2024-06-12 15:32:11
914
原创 分布移位下用于泛化的泛化的自监督测试时训练
在本文中，我们提出了测试时训练(test - time Training)，这是一种在训练数据和测试数据来自不同分布时提高预测模型性能的通用方法。我们将单个未标记的测试样本转化为自监督学习问题，在进行预测之前更新模型参数。这也自然地扩展到在online stream中的数据。我们的简单方法可以改善不同的图像分类基准，旨在评估对分布变化的鲁棒性。主要是复现实验理解用写的略有点草率
2024-04-19 15:33:41
704
原创 语义分割图像预处理代码小汇总
我常用的一些语义分割深度学习预处理代码，包括给把coco格式的数据转换成mask， 对文件名的各种修改，二值标签处理，数据集划分，修改图片大小等等
2024-04-14 16:59:58
324
原创 PairAug:增强图像-文本对对放射学有什么用?
总算迁移学习的工作差不多弄完了回来继续搞多模态了！在本文中，我们提出了一种名为PairAug的方法来解决在放射学中获取配对图像-文本数据集的挑战。paiaug包含两个分支:InterAug和IntraAug。InterAug生成与可信报告配对的合成放射学图像，创建新的患者病例，而IntraAug专注于为每个人生成不同的配对数据。我们采用数据修剪技术来确保高质量的数据。各种任务的实验结果表明，PairAug优于仅关注图像或文本扩展的基线方法。
2024-04-11 23:54:09
932
原创 FDA: 用于语义分割的傅里叶域自适应
我们描述了一种简单的无监督域自适应方法，即通过交换源和目标分布的低频频谱来减小源和目标分布之间的差异。我们在语义分割中说明了该方法，其中密集注释的图像在一个领域(例如，合成数据)中很丰富，但在另一个领域(例如，真实图像)中很难获得。目前最先进的方法是复杂的，一些需要对抗性优化，以使神经网络的主干对离散域选择变量保持不变。我们的方法不需要任何训练来执行域对齐，只需要一个简单的傅里叶变换及其逆变换。尽管它很简单，但当集成到相对标准的语义分割模型中时，它在当前基准测试中实现了最先进的性能。
2024-03-18 16:13:38
1120
原创 FreMIM:傅里叶变换与遮罩的图像建模在医学图像分割中的应用
为了将关键的全局结构信息和局部细节信息结合到密集预测任务中，我们将视角转移到频域，提出了一种新的基于mimm的自监督预训练框架FreMIM，以更好地完成医学图像分割任务。在观察到详细的结构信息主要存在于高频成分中，而低频成分中高层次语义丰富的基础上，我们进一步在预训练阶段引入多阶段监督来指导表征学习。
2024-03-12 15:59:52
1312
1
原创 DLTTA：跨域医学图像测试时间自适应的动态学习率
本文解决了具有挑战性的测试时自适应问题，旨在通过学习测试时提供的推理样本，将深度模型推广到未知数据分布。本文提出了一种测试时间适应的动态学习率策略，旨在根据估计的预测差异动态调整模型更新的步长。
2024-02-19 11:21:17
1206
原创 神经调节的Hebbian学习用于完全测试时自适应
我们从生物学合理性学习中获得灵感，其中神经元反应是基于局部突触变化过程进行调整的，并由竞争性侧抑制规则激活。基于这些前馈学习规则，我们设计了一个软Hebbian学习过程，为Test-Time adaption 提供了一种无监督的有效机制。我们观察到，通过加入反馈神经调节层，这种前馈Hebbian学习完全适应测试时间的性能可以显著提高。
2024-01-29 15:55:13
759
原创 TENT:熵最小化的Fully Test-Time Adaption
在测试期间，模型必须自我调整以适应新的和不同的数据。在这种完全自适应测试时间的设置中，模型只有测试数据和它自己的参数。我们建议通过test entropy minimization (tent[1])来适应:我们通过其预测的熵来优化模型的置信度。我们的方法估计归一化统计量，并优化通道仿射变换，以在线更新每个批次。
2024-01-26 15:49:57
1471
原创 用于医学分割的实时Test-time adaption
我们提出了一个名为自适应UNet的新框架，其中每个卷积块都配备了一个自适应批处理归一化层，以根据domain代码调整特征。该域代码是使用在大型医学图像语料库上训练的预训练编码器生成的。在测试过程中，模型只接收新的测试图像，并根据测试数据生成域代码来适应源模型的特征。
2024-01-25 16:00:17
1136
原创 分布变化下的Test-Time adaption 综述
分布变化下的TTA综述，将TTA划分为几个不同的类别，即测试时间(无源)域自适应、测试时间批量自适应、在线测试时间自适应和测试时间先验自适应。对于每个类别，我们都提供了高级算法的综合分类，然后讨论了不同的学习场景。此外，我们还分析了TTA的相关应用，并讨论了未来研究的开放挑战和前景。着重写的OTTA，别的地方感兴趣自己读23333
2024-01-24 21:22:21
2369
原创 U-MixFormer:用于高效语义分割的类unet结构的混合注意力Transformer
作者提出了一种新的基于U-Net结构的Transformer解码器U-MixFormer。作者的方法通过利用编码器和解码器阶段之间的横向连接作为注意力模块的特征 Query ，除了依赖跳接的传统方式。此外，作者还创新地将来自不同编码器和解码器阶段的层次特征图混合，形成一个统一的表示形式，用于Key和Value，从而产生作者独特的_mix-attention_模块。感觉还是很不错的，未来可期！
2023-12-20 23:54:24
2666
4
原创 UNETR++:深入研究高效和准确的3D医学图像分割
在本文中，我们提出了一种名为unetr++的三维医学图像分割方法，该方法既提供了高质量的分割mask，又在参数、计算成本和推理速度方面具有效率。我们设计的核心是引入一种新的高效成对注意(efficient paired attention， EPA)块，该块使用基于空间和通道注意的一对相互依赖的分支有效地学习空间和通道方面的判别特征。
2023-11-24 16:06:11
1475
原创 UNETR：用于三维医学图像分割的Transformer
我们将体积(3D)医学图像分割任务重新制定为序列到序列的预测问题。我们引入了一种新的架构，称为UNEt-TRansformer(UNETR)，它利用Transformer作为编码器来学习输入体积的序列表示并有效捕获全局多尺度信息，同时也遵循编码器和解码器的成功“u形”网络设计也能很好的提取到局部特征。
2023-11-23 22:58:39
966
原创 基于谐波参数空间的卷积神经网络自动三维牙齿分割
牙齿三维模型的自动分割是正畸CAD系统的一个重要步骤。三维牙齿分割是一项网格实例分割任务。由于三维牙齿模型表面复杂的几何特征常常导致牙齿边界检测失败，传统的网格分割方法难以实现自动准确的分割。我们提出了一个解决这个问题的新方法。我们将三维牙齿模型同构映射到二维谐波参数空间，并将其转换成图像。这使得我们可以使用CNN学习高度鲁棒的图像分割模型来实现3D牙齿模型的自动准确分割。最后，我们将图像分割掩码映射回三维牙齿模型，并使用改进的模糊聚类和切割算法对分割结果进行细化。
2023-11-14 18:49:11
386
原创 看我为了水作业速通 opengl freeglut！
网上教程几乎是GLFW的！这破学校居然作业只让用freeglut！一拳打爆这个学校！一拳打爆这个学校！一拳打爆这个学校！一拳打爆这个学校！一拳打爆这个学校！一拳打爆这个学校！一拳打爆这个学校！一拳打爆这个学校！
2023-10-25 11:28:10
153
原创 看我为了水作业速通C++！
因为有一门课需要c++基础我就进行一个速通然后做作业（叉腰）大概学到一个能上手的地步，打星的地方标注了和java不一样的地方
2023-10-22 20:11:51
167
原创 pytorch里常用操作（持续更新）
对不起我脑子不太记事儿每次变换都得想想想所以干脆汇总一下算了，当然也有一些不是torch包里面的但是没有关系hhh.挺多的，慢慢填吧
2023-10-16 21:40:08
460
原创 Transformer 中 Positional Encoding 实现
最近弄多模态中那个4维向量需要变成positional embedding导致中间代码卡了一段时间....把这一块浅浅多了解一下，因为很多多模态任务都需要这种位置编码....卡好久了！今个非得给他整明白了！
2023-10-15 17:25:50
363
原创 Git 速通以及常用指令！！
说来惭愧！本人码了这么久都还没用过git存代码hhhh，，，然而github要拿去申请学校公司什么的时候绝对不可以空着的什么的啊！速通一下git以及一些命令行笔记。
2023-10-12 11:33:19
410
原创 UNet及其变体在医学图像分割中的性能分析
很新的一篇Unet医学分割综述（20230922）！不过感觉严格意义上来说里面提到的方法不算很新，但是能给你理一下思路。本研究旨在探索深度学习模型在医学图像分割中的应用，特别关注UNet架构及其变体（Res-Unet, Attention Res-Unet）。我们试图评估这些模型在各种具有挑战性的医学图像分割任务中的性能，解决诸如图像归一化、调整大小、架构选择、损失函数设计和超参数调优等问题。
2023-10-10 15:42:12
462
原创 MA-SAM:模态不可知的三维医学图像分割SAM自适应
这一篇sam是在3D医疗领域的新屠榜作，个人觉得还是很值得一看的。我们的目标是充分利用SAM在其原始2D骨干中的预训练权重。在本文中，我们引入了一个模态无关的SAM自适应框架，称为MA-SAM，它适用于各种体积和视频医疗数据。我们的方法基于parameter-efficient 的微调策略保留SAM的大部分预训练权值。通过在图像编码器的Transformer中注入一系列3D适配器，我们的方法使预训练的2D骨干能够从输入数据中提取三维信息。
2023-10-07 17:11:01
1545
1
CPT107 离散数学 期末复习笔记配套例题
2023-01-06
CPT107 期末复习笔记
2023-01-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人