![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
研究生阶段周报
文章平均质量分 94
来自宇宙的曹先生
一个不怎么爱好编程的玩家
展开
-
周报(20240218)
Transformers擅长捕捉长程依赖关系,但由于自注意机制与输入大小的二次缩放,其高计算成本带来了挑战,尤其是对于高分辨率生物医学图像。状态空间模型(SSM),特别是结构化SSM(S4)的最新发展,以其在处理长序列方面的高效性能提供了一种有前途的解决方案。Mamba模型通过选择性机制和硬件优化增强了S4,在密集数据域中显示出卓越的性能。原创 2024-02-19 10:44:37 · 1238 阅读 · 0 评论 -
周报(20240204)
日期:2024.1.29 - 2024.2.4本周工作:1. 阅读论文本周主要对这篇文献进行了阅读:《用可学习的跳跃连接缩小U-Net中的语义差距:以医学图像分割为例》背景医学图像分割和随后对目标对象的定量评估为疾病诊断和治疗规划提供了有价值的信息。最近的语义分割方法通常依赖于类UNet的编码器-解码器架构,其中编码器产生高级语义特征,解码器逐渐对这些隐藏特征进行上采样,以产生具有每像素概率的分割图。大多数最先进的医学图像分割方法都采用编码器-解码器架构。然而,这种U形框架在通过简单的跳跃连接原创 2024-02-05 16:44:35 · 976 阅读 · 0 评论 -
周报(20240128)
日期:2024.1.22 - 2024.1.28本周阅读了以下论文:《BRAU-Net:用于医学图像分割的U形混合CNN-Transformer网络》精确的医学图像分割对于临床量化、疾病诊断、治疗计划和许多其他应用至关重要。基于卷积和基于Transformer的u形结构在各种医学图像分割任务中都取得了显著的成功。前者可以有效地学习图像的局部信息,同时需要卷积运算所固有的更多特定于图像的归纳偏差。后者可以使用自注意在不同的特征尺度上有效地捕捉长程依赖性,而随着序列长度的增加,它通常会遇到二次计算和内存需求的原创 2024-01-28 20:36:17 · 1030 阅读 · 0 评论