- 博客(21)
- 收藏
- 关注
RSS订阅翻译 Representation Learning on Networks-多层网络的节点嵌入
Representation Learning on Networks，对多层网络时的节点嵌入方法进行了介绍
2022-10-20 21:11:05
338
翻译 Representation Learning on Networks-Node embeddings
Representation Learning on Networks的node embedding部分
2022-10-20 20:39:55
286
翻译 斯坦福Representation Learning on Networks-intro
WWW-18 Tutorial :Representation Learning on Networks(Jure Leskovec)
2022-10-20 17:04:26
235
翻译 Triplet-Watershed for Hyperspectral Image Classification
在DCNN最后一层使用分水岭分类器来探索HSI数据的连通模式，得到更好的推理结果，所用的Triplet-Watershed在监督和半监督情况下均实现soat结果。
2022-09-14 20:36:16
132
原创 DataFrame保存分割任务测试指标
1.为指标创建有序字典from collections import OrderedDictseg_metrics = OrderedDict()2.为图像名及每个指标初始化为一个列表seg_metrics['Name']=list()seg_metrics['DSC']=list()seg_metrics['NSD'] = list()3.测试每张图像,同时记录其名字及分割指标model.eval()for idx, test_file in enumerate(os.listdir
2022-03-18 15:54:29
309
原创 基于形状先验的分割方法
1.Combining convolutional neural networks and star convex cuts for fast whole spine vertebra segmentation in mri2.Star-convex polyhedra for 3d object detection and segmentation in microscopy3.Deep convolutional neural networks with spatial regularizatio
2021-09-06 11:08:39
1393
翻译 Class-Wise Dynamic Graph Convolution for Semantic Segmentation
Class-Wise Dynamic Graph Convolution for Semantic Segmentation作者机构：北大，商汤，北邮来源：ECCV2020摘要：之前的工作可能会将潜在的误导上下文信息进行了聚合，提出CDGC（Class-Wise Dynamic Graph Convolution）模块可适应的传播信息。该模块中，同类像素间进行图推理。进一步利用该模块构建了CDGCNet，该网络包括一个基础分割网络和CDGC模块。基于基础分割网络的分割结果及得到的feature map
2021-05-08 16:14:51
562
2
翻译 CARAFE: Content-Aware ReAssembly of FEatures
CARAFE: Content-Aware ReAssembly of FEatures来源：ICCV2019作者机构：港中文，南洋理工摘要：特征上采样对于稠密预测十分重要，本文提出了依据内容感知进行特征重组的新方式CARAFE，具有感受野更大、可感知内容、轻量易计算的特点，易于集成到网络结构中。引言目前常用上采样由2种：最近邻插值、双线性插值。但最近邻和双线性插值只考虑亚像素邻域，无法捕获密集预测任务所需的丰富语义信息。反卷积也可用于上采样，但反卷积在整张图像上使用的是同一个卷积核，并未考虑
2021-05-08 10:56:00
2901
翻译 High-Order Attention Networks for Medical Image Segmentation
High-Order Attention Networks for Medical Image Segmentation作者机构：中国人民大学，西北工业大学，Visionary Intelligence Ltd，北京同仁医院，北京协和医院摘要：当前的CNN模型使用固定形状的感受野捕获局部上下文信息，特征解码器的权重具有位置不变性（对位置不敏感），这些限制了对于可变输入（形状、大小，域）的鲁棒性。为了捕获全局上下文信息，我们提出了高阶注意力模块（High-order Attention，HA）。该模块具
2021-05-07 16:39:43
832
翻译 DefGird
Beyond Fixed Grid: Learning Geometric Image Representation with a Deformable Grid来源：ECCV2020作者机构：University of Toronto, Vector Institute, NVIDIA, Peking University代码：def-grid摘要：图像通常被表示为固定的规则网格，使用CNN处理。本文认为对网格形变，将其与图像内容的高频部分对齐是一种更为有效的策略（使用2维的三角网格来表示图像）
2021-03-24 20:30:29
230
原创 如何使一个batch内加载不同大小的数据
解决:自定义dataloader内的collate_fn函数做法: batch内大小可变的输入import torchfrom torch.utils.data import DataLoaderfrom torchvision import transformsimport torchvision.datasets as datasetsimport matplotlib.pyplot as plt# a simple custom collate function, just to sh
2020-11-23 19:34:02
3897
3
原创 损失函数约束类间不一致性
损失函数约束类间不一致性及类内一致性参考书籍：Python深度学习-基于PyTorch交叉熵损失函数对不同类之间的距离的区分性较小。原因：softmax具备分类能力但是不具备度量学习的特征，没法压缩同一类别。因此，研究者们提出了几种损失函数。（1）三元组损失Triplet loss三元组损失属于度量学习，通过计算两张图象之间的相似度，使得输入图像被归入到相似度大的图像类别中去。Lt=∑[∥f(xia)−f(xip)∥22−∥f(xia)−f(xin)∥22+α]+L_t=\sum [\left \
2020-11-01 11:01:26
1301
翻译 PyGeometric创建自己的数据集
相关设置1.数据集的两个抽象类：torch_geometric.data.Dataset、 torch_geometric.data.InMemoryDataset。后者继承自前者，用于当整个数据集与内存匹配时。2.根文件夹被分为两个文件夹：raw_dir（数据集下载到的文件夹）、processed_dir（处理过的数据保存的文件夹）3.每个数据集被传入transform参数、pre_transform参数、pre_filter参数，这三个参数默认为None。transform函数：在访问数据对象
2020-10-09 14:26:40
1691
1
翻译 pygeomatric文档-introduction by examples
1.图的数据处理图被用于目标（节点）间的成对关系（边）的建模。py geomatric的一个图被描述为torch_geomatric.data.Data类的一个实例。该类具有以下默认属性：(1)data.x:节点特征矩阵（大小：节点数×\times× 节点特征维度；每行为一个节点的特征）(2)data.edge_index:节点的邻接矩阵，（COO格式的稀疏矩阵，矩阵类型为long，大小:2×\times×边数），边的数目是按无向图计算的，因此，是有向图边数的2倍。(3)data.edge_att
2020-10-09 10:20:15
464
原创 More Unlabelled Data or Label More Data? A Study on Semi-supervised Laparoscopic Image Segmentation
目录论文笔记：More Unlabelled Data or Label More Data? A Study on Semi-supervised Laparoscopic Image Segmentation摘要方法监督分割网络结构基于半监督的 mean teacher训练网络训练结果监督模型与mean teacher模型结果比较论文笔记：More Unlabelled Data or Label More Data? A Study on Semi-supervised Laparoscopic I
2020-09-30 09:22:33
320
原创 GPU加速深度学习
GPU加速深度学习背景：深度学习中的一些算法，如CNN、BP、Auto-Encoder等，都可以通过矩阵运算得到，但在单核CPU上执行时，矩阵运算会被展开为循环的形式串行执行，而GPU可将矩阵运算并行执行，大大缩短计算时间。Pytorch支持使用to（device）将数据从内存转移到GPU显存，还支持定位到多个GPU的一个或多个。PS：pytorch一般把GPU作用于tensor(FloatTensor或LongTensor等类型）或模型（包括torch.nn下面的一些网络模型及自己创建的模型）等数据
2020-09-11 18:38:23
1339
原创 pytorch保存模型
保存在测试集上最好的模型1.训练集的划分 full_dataset = Dataset(root=args.root_dir, dtype=dtype) train_size = int(0.8 * len(full_dataset)) # 训练集验证集比例=4:1 val_size = len(full_dataset) - train_size(1) torch.utils.data.random_split() # 按照给定的长度将数据集划分成没有重叠的新数
2020-09-11 08:59:14
1385
原创 帧间差分法进行运动目标检测
参考博客：帧间差分法、背景减法、光流场法简介前一帧Fn−1Fn-1Fn−1 ; 当前帧：Fn当前帧：Fn当前帧：Fn ; 后一帧：Fn+1Fn+1Fn+1输出图MM初始化为全0矩阵1.两帧差分法：适用场景：相邻帧间背景差异小，物体运动较慢两帧间的差异D=∣Fn−1−Fn∣D=|Fn-1-Fn|D=∣Fn−1−Fn∣阈值TM（find（D<T))=0M（find（D>=T))=2552.三帧差分法：适用场景：相邻帧间背景差异小，物体运动较
2020-09-10 21:15:44
1579
原创 英文写作公式
一.词：1.where2.and3.with4.here5.such that 满足…条件:6.denote二.公式的表述：1.xx can be expressed as equ2.we compute/encode xxx by equ3.the operation is defined as equ4.we compute xx using xx, given by equ5.this is given by equ6.we defined xx as equ7.xx is
2020-09-08 18:25:49
557
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人