- 博客(12)
- 收藏
- 关注
RSS订阅原创 大多数编程IDE内置git版本控制远程push时refusing to merge unrelated histories……的解决方法
新建了一个远程仓库（如个人的github repository），本地仓库推送到远程仓库时报错了，错误如下：fatal: refusing to merge unrelated histories……（拒绝合并不相关的历史）笔者在CSDN和各种博客中找了很久解决办法，大多都没有指出问题的实质，且很多都是互相转载的，只告诉了读者开启git bash怎样输入指令也没有将集成了git的IDE和指令操作结合起来看问题，导致后续会出现一些莫名其妙的版本错误，因此笔者希望记录下来问题的实质和对应的解决操作以补充
2021-06-04 12:38:24
2739
转载 【转】CSDN如何做到图片居中
原博客链接 众所周知，随着经济社会的发展… 所以今天我们来讲一下，CSDN写博客的时候如何让图片居中，就像这样???? 其实呢，我也是才发现的，只需要在图片url后面添加 #pic_left #pic_center #pic_right 懂了吧！还不点个赞！
2021-06-02 18:20:04
1836
原创 Python数据增强(data augmentation)库--Augmentor使用介绍
Augmentor 使用介绍原图1.random_distortionpro(bability, grid_height, grid_width, magnitude)最终选择参数为p.random_distortion(probability=0.8, grid_height=3, grid_width=3, magnitude=6)probability表示生成一批数据施加操作的概率，magnitude和grid_width,grid_height越大，扭曲程度越大p.random_
2021-06-02 18:14:11
3151
原创 论文阅读随笔：一维卷积神经网络 Deep Pyramid Convolutional Neural Networks for Text Categorization
论文地址：笔者实验室研究的主要方向是血管图像分割，以及利用生理信号评价脑血流自动调节功能。此文章是笔者在实验室会议中分享过的，以加水印PPT的形式贴上来，会附上原文链接（部分专栏文章会包含源码项目），感兴趣的读者可以自行更深入了解。 转载或作个人使用请标注出处，具有版权效力。...
2021-06-02 17:02:48
2387
原创 论文分享：Learning Discrete Representations via Information Maximizing Self-Augmented Training
论文地址：笔者实验室研究的主要方向是血管图像分割，以及利用生理信号评价脑血流自动调节功能。此专栏包含的文章是笔者在实验室会议中分享过的，以加水印PPT的形式贴上来，会附上原文链接（部分会包含源码项目），感兴趣的读者可以自行更深入了解。 转载或作个人使用请标注出处，具有版权效力。...
2021-06-02 16:55:24
2237
1
原创 论文分享：Deep Clustering for Unsupervised Learning of Visual Features
附项目开源地址：https://github.com/facebookresearch/deepcluster论文地址：笔者实验室研究的主要方向是血管图像分割，以及利用生理信号评价脑血流自动调节功能。此专栏包含的文章是笔者在实验室会议中分享过的，以加水印PPT的形式贴上来，会附上原文链接（部分会包含源码项目），感兴趣的读者可以自行更深入了解。 转载或作个人使用请标注出处，具有版权效力。...
2021-06-02 16:48:27
1778
原创 论文分享：Deep Residual Learning for Image Recognition
经典优化策略模型ResNet，之所以收录在此专栏，是因为现阶段的图像分割深层模型基本上都用到了残差块与跳接的思想，值得去细细品读。建议读者有时间的话自己也去看一下原文，相信会有更多的收获。要点1. 提出了一个残差学习框架，使更深网络的训练过程变得更加容易2. 为残差网络更易优化的结论提供了全面的经验证据3. 残差网络能够随着网络的加深继续提高精度读引言研究背景 网络的加深能够在多种任务中获得收益，取得领先结果的重要模型都是来自于非常深的模型。 但是这并不是意味着神经网络越深就能学.
2021-06-02 15:32:07
1716
原创 论文解读：3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
要点1. 提出了3D U-Net：从稀疏标注的体素图像中学习的立体分割网络。2. 有两个方案：第一是，在待分割立体图像中标注其中的一些切片，网络从这些标注中学习，再为这个空间提供密集的3D分割；第二是，假设已存在稀疏标注的数据集，直接在这个数据集上训练，然后为新的立体图像进行密集分割。读引言研究背景 医学数据分析中立体数据是常见的（CT、MRI）。为什么要研究 以往slice-by-slice的标注方式是冗余并且低效的，因为相邻切片显示的信息几乎相同，而且逐切片学习出来的2D模型预测效
2021-06-02 15:10:34
3600
原创 论文解读：U-Net: Convolutional Networks for Biomedical Image Segmentation
要点1. 提出了U-Net和一种依赖于数据增强的训练策略，能更加高效地使用有限的标注样本。2. U-Net由一条捕捉上下文信息的收缩路径和一条提供精准定位的对称路径组成。3. 这种网络拥有从极少图像训练样本中学习的能力，支持端到端的训练，且预测过程所需时间非常短。读引言研究背景 尽管在视觉识别类任务中深度卷积神经网络已经取得了巨大的成功，但是这些成果都受到训练数据和网络结构的大小的限制。 CNN的代表性应用场景就是分类任务，其输出往往只是一个类别标签，但对于许多视觉任务（特别是生物医学
2021-06-02 15:10:11
2240
1
原创 论文解读：Fully Convolutional Networks for Semantic Segmentation
要点1. 构建一个全卷积网络，首个支持端到端像素级训练的网络，网络的输入为任意尺寸，输出为等大图像。2. 在空间密集型预测任务中解释了其应用。3. 定义跳接结构，结合深层的语义信息和浅层的表征信息产生精准的分割结果读引言研究背景卷积神经网络已经有力推动了识别任务进展，在图像整体分类、结构化输出局部任务取得了明显进展。下一步自然是想获得产生细致的预测，即对每个像素点进行预测。先前的工作都是对封闭对象或区域分类，分类结果作为目标中每一个像素的标记。这是他们的缺点，也是我们的工作要解决的问题。
2021-06-02 11:29:27
2085
1
转载 Python日志模块logging的封装用法，作为一种模板工具使用
一个完整的程序离不开日志，深度学习项目亦然。 无论是开发阶段，还是测试阶段，亦或程序运行阶段，都可以通过日志查看程序的运行情况，或是定位问题，调试BUG，非常直观且方便。 下面是对 python3 的日志库 logging 进行了常规封装作为使用...
2021-06-01 11:02:31
1820
1
原创 Python的super函数到底做了啥
Python的super函数到底做了啥super相关的介绍文章有很多，而且在python中使用得也较多，尤其是在定义深度神经网络模型时，相信大家对于 super(className, self).__init__() 这一语句不会感到陌生。本篇文章主要记录我对super的理解，给大家以尽量简单易懂的方式进行介绍。一、直观的理解super的作用就是执父类的方法以单继承为例：class A: def a(self): print('A')class B(A): .
2021-05-31 21:46:41
2643
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