- 博客(11)
- 收藏
- 关注
原创 self-attention(自注意力机制)
论文地址:https://arxiv.org/abs/1706.03762notes:在transform中使用到了self-attention,所以对其中进行简要笔记。Q1:为什么要提出self-attention?A1:self-attention就是想让计算机和人一样有关注的重点比如:qinxin is a good gril,she looks beautiful,其中这个she代表的是哪一个,对于我们来说很简单,对于计算机就很难,所以需要让计算机的注意力,集中到qinxin上
2022-02-24 20:59:10
1326
原创 nnU-Net(Supplementary Information)
本文对 :https://arxiv.org/abs/1904.08128文章后面的Supplementary Information 进行补充A Dataset details下表提供了包含数据集来源的手稿,这里记录的数值都是通过这些对应的数据集计算出来的。1.打 * 的代表数据集中有多重标注(还没有具体看一下有什么差别)2.MSD的肝脏数据集做了一些小的修改...
2022-01-15 16:02:44
2100
原创 nnU-Net
原文连接:https://arxiv.org/abs/1904.08128原文开源代码:https://github.com/MIC-DKFZ/nnUNetQ1:2D U-Net?A1: U-net 网络_qinxin_ni的博客-CSDN博客(1) 使用全卷积神经网络。(全卷积神经网络就是卷积取代了全连接层,全连接层必须固定图像大小而卷积不用,所以这个策略使得,你可以输入任意尺寸的图片,而且输出也是图片,所以这是一个端到端的网络。) (2) 左边的网络是收缩路径...
2021-12-29 19:35:07
4823
1
原创 3D U-Net
论文地址:https://arxiv.org/abs/1606.06650Q1:为什么要用3D U-Net?A1:在生物医学数据分析中,容量数据非常丰富。由于计算机屏幕上只能显示2D切片,因此用分段标签标注这些数据会造成困难。因此,以切片的方式对大量数据进行注释是非常繁琐的。它的效率也很低,因为相邻的切片显示几乎相同的信息。特别是对于基于学习的方法,需要大量的注释数据,完全注释3D体积并不是一种有效的方法来创建大量和丰富的训练数据集。Q2:Conv3d?A2:对于Conv2...
2021-12-08 18:46:03
4094
原创 3D-CNN
Q1:什么是2D卷积(多通道)A1:这里假设输入层是一个 5 x 5 x 3 矩阵,它有 3 个通道。过滤器则是一个 3 x 3 x 3 矩阵。首先,过滤器中的每个卷积核都应用到输入层的 3 个通道,执行 3 次卷积后得到了尺寸为 3 x 3 的 3 个通道。面向多通道的 2D 卷积的第一步:过滤器每个卷积核分别应用到输入层的 3 个通道上,之后,这 3 个通道都合并到一起(元素级别的加法)组成了一个大小为3 x 3 x 1 的单通道。这个通道是输入层(5 x 5 x 3 矩阵)使用了过滤...
2021-12-01 22:02:13
12818
2
原创 U-net 网络
Daily learning 8Q1:max poolingA1:整个图片被不重叠的分割成若干个同样大小的小块(pooling size)。每个小块内只取最大的数字,再舍弃其他节点后,保持原有的平面结构得出 output。notes:max pooling(最大值池化)和卷积核操作的区别:池化作用与图像中不重合区域,卷积作用与重合区域。如下图所示:max pooling:卷积:1.背景与简介 卷积网络被大规模应用在分类任务中,输出的结果是整个图像的...
2021-12-01 16:56:19
845
原创 Anisotropic Convolutional Networks(AIC:各向异性卷积神经网络)
论文原文:Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networkshttps://link.zhihu.com/?target=https%3A//arxiv.org/abs/1709.00382
2021-11-16 17:14:38
3668
原创 2021-MICCAI-FLARE:Efficient Context-Aware Network for Abdominal Multi-organ Segmentation
Daily learning:图像分割论文及代码资源只对论文进行了解其网络模型,后续代码重现会慢慢补、1.摘要提出了一种基于SegNet的efficientSegNet腹部器官图像分割,由三个部分组成encoder,slim decoder,efficient context block,三部分组成。encoder:选择Basic Convolution,设计了一个片内卷积核(inter-slice convolution)和一个片内卷积核(inter-slice convolution
2021-11-12 21:08:40
4139
1
原创 SegNet 网络
Q1:seq2seqA1:就是根据一个输入序列x,来生成另一个输出序列yQ2:padding的三种方式A2:padding有三种模式:full,same,valid,其实这三种不同模式是对卷积核移动范围的不同限制。假设设 image的大小是7x6,filter的大小是3x31.Full mode橙色部分为image, 蓝色部分为filter。full模式的意思是,从filter和image刚相交开始做卷积,白色部分为填0。filter的运动范围如图所示。2. sam...
2021-11-09 18:56:19
4660
1
原创 ResNet算法
Daily learning2Q1:过拟合(overfitting),欠拟合(underfitting)?A1:欠拟合:根本原因是特征维度过少,模型过于简单,导致拟合的函数无法满足训练集,误差较大解决方法:增加特征维度,增加训练数据; 过拟合:根本原因是特征维度过多,模型假设过于复杂,参数过多,训练数据过少,噪声过多,导致拟合的函数完美的预测训练集,但对新数据的测试集预测结果差。过度的拟合了训练数据,而没有考虑到泛化能力。 解决方法:(1)减少特征维度;(...
2021-11-05 21:02:24
1712
原创 FCN网络结构解析
daily:作为深度学习图片分割第一个学习的网络结构Q1: 为什么要用FCN?A1:应为和以前网络R-CNN,SDS相比提升比较大Q2:与CNN什么区别?A2:使用全卷积层代替全连接层Q3:为什么要进行代替?A3:1.全连接层训练时输入节点个数是固定的,如果输入节点发生变化就会报错(以后解决了),使用全卷积代替全连接层可以不用对于图片大小做规定。 2.如果使用全连接层结果是一个柱状图的形式(向量),但是使用全卷积代替全连接得到的结果是一个2D的形...
2021-11-03 20:38:20
5430
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