qinxin_ni-CSDN博客

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

qinxin_ni的博客