qq_32863339的博客

原创 Android开发之Content Provider

即新建一个类去继承ContentProvider，然后重写onCreate、query、insert、update、delete、getType方法。如Android系统自带的电话薄、短信、媒体库等程序都提供了类似的访问接口，使得第三方应用程序可以充分地利用这部分数据来实现想要的功能。Content Provider（内容提供器）主要用于在不同应用程序之间实现数据共享的功能，它提供了一套完整的机制，允许一个程序访问另一个程序中的数据，同时还能保证被访问数据的安全性。

原创 为什么在Android中需要Context？

Context来源和功能介绍

原创 面向对象编程的几个基本概念--抽象、封装、继承、多态、虚函数

1、抽象数据抽象是一种接口和实现分离的编程技术。即只对外暴露关键信息，而不呈现具体的实现细节。举个例子，我们经常用的一些关键字如cin、cou就是数据抽象的例子。我们调用cou就能在控制台输出信息，而不用关注cou的底层实现。2、封装数据封装是一种把数据和操作数据的函数捆绑在一起的机制。举个例子：下图中把三个变量和一个计算体积的函数封装成一个Box类，就是一个简单的数据封装。class Box{ public: double getVolume(void)

原创 有限与无限

“攀岩的神秘就在于攀岩本身；你爬到岩顶时，虽然很高兴已大功告成，而实际上却盼望能继续往上攀登，永不停歇。攀岩的最终目的就是攀登，正如同写诗的目的就是为写作一样；你唯一政府的是你自己的内心，写作就是诗存在的理由。攀岩也一样，只为了确认自己是一股心流。心流的目的就是持续不断地流动，不是为了到达山顶或乌托邦。它不是向上的动作，而是奔流不已；向上爬只是为了让流动继续。爬山除了爬山之外，没有别的理由，它完全是一种自我的沟通。” --《flow》...

原创 全局变量的定义和声明-C语言

当希望在多个源文件中共享变量或函数时，需要确保定义和声明的一致性。最好的安排是某个相关的.c文件中定义，然后在头文件.h中进行外部声明，在需要使用的时候，只要包含对应的头文件即可。定义变量的.c文件也应该包含该头文件，以便编译器检查定义和声明的一致性。...

原创 DMA 直接存储器访问

DMA 全称是Direct Memory Access，即直接存储器访问。DMA传输将数据从一个地址空间复制到另一个地址空间，尤其适合解决批量数据的输入/输出问题。DMA的出现主要是为了解决程序程序传输方式和中断传输方式效率低下的问题，提高CPU的执行效率。下面分别聊一聊什么是程序传输方式、中断传输方式和DMA，以及各自的优缺点。1.程序传输方式程序传送方式是指直接在程序控制下进行数据的输入/输出操作。也就是说CPU需要轮询各个外设的状态，然后在需要的时候执行数据传输，执行效率较低。2.中断传输方式

原创 物理下行共享信道（PDSCH）物理层过程详解

https://www.cnblogs.com/weiyining/p/12518881.html

原创 卷积网络可视化

https://www.ctolib.com/topics-130872.htmlhttps://blog.csdn.net/MrR1ght/article/details/92799591https://www.jb51.net/article/179111.htmhttps://www.jb51.net/article/179111.htmhttps://www.pyimagesearch.com/2020/03/09/grad-cam-visualize-class-activatio

翻译 小样本学习综述

论文地址：https://arxiv.org/pdf/1904.05046.pdf GitHub 地址：https://github.com/tata1661/FewShotPapers 基于各个方法利用先验知识处理核心问题的方式，该研究将 FSL 方法分为三大类： 数据：利用先验知识增强监督信号； 模型：利用先验知识缩小假设空间的大小； 算法：利用先验知识更改给定假设空间中对最优假设的搜索。 ...

原创 乳腺癌组织病理图像分类

原文地址：https://ieeexplore.ieee.org/abstract/document/8122889/citations#citations1.数据集介绍Breakhis数据库包含良性和恶性乳腺肿瘤的显微活检图像。通过2014年1月至2014年12月的临床研究收集图像。在这段时间内，临床症状为BC所有患者都被邀请到巴西P&D实验室参与研究。机构审查委员会批准了...

原创 计算机视觉中的注意力机制

https://cloud.tencent.com/developer/news/247227

原创 SimpleITK 医学图像归一化

import SimpleITK as sitk#将图像的灰度值归一化到0-255image = sitk.ReadImage('./***.nii.gz')resacleFilter = sitk.RescaleIntensityImageFilter()resacleFilter.SetOutputMaximum(255)resacleFilter.SetOutputMinimu...

原创 安装keras-contrib库（详细过程）

1. 从https://git-scm.com/downloads下载最新版git. 然后采用默认设置一路next进行安装。2. 找到git的安装路径，并将该路径添加到系统的环境变量。3. 打开命令行窗口，输入pip install git+https://www.github.com/keras-team/keras-contrib.git...

原创 仿射变换图解

原创 将numpy array保存为nii格式的图像

import nibabel as nib import numpy as np new_image = nib.Nifti1Image(my_arr, np.eye(4)) new_image.set_data_dtype(np.my_dtype) nib.save(new_image, 'my_arr.nii.gz')

转载 GAN完整理论推导与实现

转自：https://www.jiqizhixin.com/articles/2017-10-1-1本文是机器之心第二个 GitHub 实现项目，上一个 GitHub 实现项目为从头开始构建卷积神经网络。在本文中，我们将从原论文出发，借助 Goodfellow 在 NIPS 2016 的演讲和台大李宏毅的解释，而完成原 GAN 的推导与证明。本文主要分四部分，第一部分是描述 GAN 的直观概...

原创 linux Ubuntu安装时的分区设置

设置分区/boot1.选择空闲区，点击“+”号添加引导分区：大小：400MB新分区的类型：主分区新分区的位置：空间起始位置用于：Ext4日志文件系统挂载点：/bootswap2.继续选择空闲区，点击“+”号添加交换分区，设置为实际内存的2倍：大小：8192MB(4GB×2)新分区的类型：逻辑分区新分区的位置：空间起始位置用于：交换空间/3...

原创 sklearn 中的 GBDT 回归

sklearn的gbdt回归GradientBoostingRegressor类构造方法def __init__(self, loss='ls', learning_rate=0.1, n_estimators=100, subsample=1.0, criterion='friedman_mse', min_samples_split=2, ...

原创 VS 多行注释 快捷键

注释： 先CTRL+K，然后CTRL+C取消注释：先CTRL+K，然后CTRL+U

转载 SENet

转自：http://www.sohu.com/a/161633191_465975我是 Momenta 的高级研发工程师胡杰，很高兴可以和大家分享我们的 SENet。借助我们提出的 SENet，我们团队（WMW）以极大的优势获得了最后一届 ImageNet 2017 竞赛 Image Classification 任务的冠军，并被邀请在 CVPR 2017 的 workshop（Beyond ...

原创 卷积神经网络中的注意力机制

视觉注意力机制：视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。在卷积神经网络中，视觉注意力通常可分为通道注意力和空间注意力两种形式。通道注意力机制：空间注意力机制：１．Convolutional Block ...

原创 直方图均衡化与直方图匹配

直方图均衡化是图像领域中利用图像直方图对对比度进行调整的方法。具体过程如下：直方图匹配又称为直方图规定化，是指将一幅图像的直方图变成规定形状的直方图而进行的图像变换方法。变换过程如下图所示：参考：https://blog.csdn.net/macunshi/article/details/79815870...

转载 有关语义分割的奇技淫巧有哪些：分享一些实用的纯工程 tricks

作者：AlexL链接：https://www.zhihu.com/question/272988870/answer/562262315本人才学疏浅，就分享一些水Kaggle时看到的和用过的tricks吧，纯工程没理论，不保证一定能用hhh代码取自在Kaggle论坛上看到的帖子和个人做过的project1. 如何去优化IoU在分割中我们有时会去用intersection over...

转载 My Neural Network isn't working! What should I do?

So you're developing the next great breakthrough in deep learning but you've hit an unfortunate setback: your neural network isn't working and you have no idea what to do. You go to your boss/supervis...

原创 ubuntu 安装imutils模块踩过的坑

imutils模块就不具体介绍了，既然安装了就说明需要用到这个模块，并且有一定的了解，这里主要说下在ubuntu下安装该模块遇到的问题及解决方案。下图为安装时报的错误; 尝试了很多办法，无果 。最后发现是setuptools版本太旧的问题，找到了问题解决起来就很方便了。1.pip install --upgrade setuptools2.pip3 insta...

原创 在ubuntu系统中，python依赖存放的路径

/usr/local/lib/python3.5/dist-packages

原创 Loss损失函数及代码详解

最近在做语义分割相关的工作，看到两篇博文介绍的不错，放在这里学习，也供需要的朋友参考。1.语义分割的各种loss详解与实现https://blog.csdn.net/wangdongwei0/article/details/845760442.损失函数loss总结https://blog.csdn.net/qq_14845119/article/details/80787753...

原创 语义分割中Pooling操作存在的问题

在语义分割中pooling操作可以较小特征图尺寸，降低网络的参数量，获得更大的感受野，使得CNN在语义分割的任务中更加高效。但是pooing操作并不是完美的，它也存在如下的一些缺陷：Max pooling/ Average pooling/ Up-sampling / pooling layer (例如双线性插值) 是确定性的，无法像卷积层通过学习得到； 内部数据结构丢失；空间层级化信息丢失...

原创 医学图像分析面临的挑战和未来方向

目前面临的主要挑战有：缺少精确的标注数据。医学领域对标注的要求更高。 样本不平衡。正负样本往往数量差异较大。 预测结果置信度信息缺失。医学领域对模型可解释性的要求更高最近在做医学图像分割的工作，对这几点有一些体会，标注数据的质量对分割结果有很大的影响，Garbage in, garbage out 用在此处也很合适。未来方向：处理小数据问题。一些有用的技术包括使用迁移学习、数据增...

原创 安装/卸载 .deb 文件

1.安装.deb文件在文件所在文件夹打开终端，输入命令sudo dpkg -i 软件包名.deb2.卸载.deb文件在终端输入以下命令sudo apt-get remove 软件包名称注：使用以下命令查看已安装软件包的名称dpkg --list...

原创 pydicom手册

https://pydicom.github.io/pydicom/stable/pydicom_user_guide.html

原创 slice thickness 和 slice increment

Slice thickness和slice increment 是CT/MRI成像的核心概念。Slice thickness是指扫描的(通常是轴向)分辨率(图中为2毫米)。Slice increment是指扫描下一个切片的表格/扫描仪的移动(图中从1毫米到4毫米不等)。这些值重叠是可以接受的，也是常见的。Slice thickness是理解图像分辨率的一个重要因素。如果扫描的slice inc...

原创 k-折交叉验证（代码）

k = 4mun_validation_samples = len(data) // knp.random.shuffle(data)validation_scores = []for fold in range(k): validation_data = data[num_validation_samples*fold:num_validation_samples*(fol...

原创 SimpleITK手册

SimpleITK是美国国家医学图书馆Insight Segmentation and Registration Toolkit (ITK)的一个简化的开源接口，这是一个c++开源图像分析工具包，在学术界和工业界得到了广泛的应用。SimpleITK支持8种编程语言，包括c++、Python、R、Java、c#、Lua、Ruby和TCL。SimpleITK的二进制发行版目前可用于所有三种主要操作系统...

原创 使用SimpleITK对dicom格式医学图像做插值

链接：https://blog.csdn.net/qq_36339966/article/details/86726817

原创 ImportError: Install keras_contrib in order to use instance normalization

解决方案：定位到出错的地方将 from keras_contrib.layers.normalization import InstanceNormalization改为from keras_contrib.layers.normalization.instancenormalization import InstanceNormalization注：keras_con...

转载 机器学习面试题总结

链接：https://www.jianshu.com/p/d289755e89bb一 面试题概述面试的时候，面试官会结合你的回答和你的简历来询问你，所以在写简历的时候，简历上所写的所有内容在写的时候必须自己反问一下自己，这个知识点懂不懂。面试其实是一个沟通技巧的考量，在面试的时候要“灵活”；在有一些问题上，如果不会，那么直接说不会就可以；但是在一些比较关键的问题上，如果这个算法不会...

原创 类别不均衡图像分割中loss的选择

最近在做医学图像分割，对于小器官或者病灶的分割问题，类别不平衡是一个需要解决的难题。今天看到了一篇介绍类别不均衡图像分割中loss的文章，感觉不错，分享给大家。https://blog.csdn.net/m0_37477175/article/details/83004746...

原创 softmax layer

一张图，简单易懂、清晰明了。

转载 基于深度学习的图像分割

PapersDeep Joint Task Learning for Generic Object Extractionintro: NIPS 2014homepage:http://vision.sysu.edu.cn/projects/deep-joint-task-learning/paper:http://ss.sysu.edu.cn/~ll/files/NIPS2014_J...