杂文
文章平均质量分 65
想到啥写啥
xiongxyowo
这个作者很懒,什么都没留下…
展开
-
xiongxyowo的个人简介
xiongxyowo的个人简介原创 2023-02-24 14:11:45 · 734 阅读 · 2 评论 -
简单理解小目标分割中的weighted BCE Loss与weighted IoU Loss
简单理解小目标分割中的weighted BCE Loss与weighted IoU Loss原创 2023-02-12 21:40:51 · 3474 阅读 · 1 评论 -
简单理解opencv中的坐标系,x,y,h,w
简单理解opencv中的坐标系,x,y,h,w原创 2023-01-03 19:03:48 · 8775 阅读 · 0 评论 -
简单理解函数f(x;θ)中分号的含义
,而在概率论里面有时候强调的是函数参数本身(比如高斯分布的均值和方差),而淡化了输入变量(默认为。可以是某个确定的常量,也可以是多个确定常量的总体(比如深度神经网络中的全体可训练参数)。从这里可以发现,一般的函数我们都是强调自变量本身(比如。根据以上讨论的这些,现在讨论一个比较复杂的情况。首先,函数本身是个条件概率分布,的情况下,拿到一个结果,这个结果的意义为变量。(某个已知或未知的确定值),因此可以表达为。),而高斯分布的均值和方差则分别为。,只不过强调了下函数的参数为。为自变量的函数,在变量。原创 2022-09-08 15:16:09 · 6467 阅读 · 3 评论 -
训练正常&异常的GAN损失函数loss变化应该是怎么样的
这里以个人用到的一个网络为例,仅供参考,不代表所有情形。用tensorboard记录loss曲线的走向,横轴为迭代次数(iter),纵轴为损失(loss)值。原创 2022-08-02 11:21:43 · 28364 阅读 · 16 评论 -
简单理解精确率(Precision),召回率(Recall),准确率(Accuracy),TP,TN,FP,FN
准确率常被用于衡量一个机器学习模型的综合性能。不过,由于实际应用中阴阳样本的比例大概率是不均衡的,阳性样本一般会很少,模型只要简单的将所有样本预测为阴性就可以获得一个很高的准确率。为了解决这一问题,才出现了更侧重于阳性本身的精确率,召回率这两个指标。召回率更侧重于衡量实际的阳性样本是否被遗漏(不能漏杀)。容易发现,假阴性FN越高,召回率就越低。精确率更侧重于衡量模型的阳性预测是否可靠(不能错杀)。容易发现,假阳性FP越高,精确率就越低。这四个词语,左半边表示的是。模型所给出的所有阳性预测。...原创 2022-07-29 17:30:33 · 1772 阅读 · 0 评论 -
[论文翻译] Unpaired Image-To-Image Translation Using Cycle-Consistent Adversarial Networks
[论文地址] [代码] [ICCV 17]只翻译方法部分我们的目标是在给定的训练样本{xi}i=1N∈X\left\{x_{i}\right\}_{i=1}^{N} \in X{xi}i=1N∈X和{{xj}j=1M∈X\left\{x_{j}\right\}_{j=1}^{M} \in X{xj}j=1M∈X之间学习两个域XXX和YYY的映射函数。如图3(a)所示,我们的模型包括两个映射G:X→YG: X→YG:X→Y和F:Y→XF: Y→XF:Y→X。此外,我们引入了两个对抗性判别器DXD_XD翻译 2022-07-28 20:51:45 · 276 阅读 · 0 评论 -
Python读取shell命令的输出结果
方法可以用于执行shell命令,并将结果返回到一个文件对象中。调用该文件对象的read()方法即可获得输出结果。可以发现返回的结果字符串是带换行符的,因此一般会用split方法来去除换行符,方便提取感兴趣的内容。...原创 2022-07-27 14:33:19 · 4053 阅读 · 0 评论 -
Python的main函数与import
可以发现B.py中的函数外语句是会自动先执行的。但有时候我们确实希望直接运行封装的库能够执行某些功能,但又不希望这些功能在被import的时候被触发,这个时候,就可以把这部分功能显式的放在main方法中。在python中,如果自己封装的库文件中有函数外的语句,那么这些语句是会在库函数被导入时自动执行的,这样就会出现一些奇怪的问题,一个例子如下所示。...原创 2022-07-26 21:09:38 · 711 阅读 · 0 评论 -
[论文阅读] Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation
在过去的几年里,在典型的PASCALVOC数据集上测量的目标检测性能已经趋于平稳。表现最好的方法是复杂的组合系统,通常将多个低层次的图像特征与高层次的背景相结合。在本文中,我们提出了一种简单的、可扩展的检测算法,相对于VOC2012的最佳结果,该算法的平均精度(mAP)提高了30%以上–达到了53.3%的mAP。我们的方法结合了两个关键的见解(1)我们可以将大容量的卷积神经网络(CNN)应用于自下而上的区域建议(RegionProposal),以便对物体进行定位和分割;...原创 2022-07-26 15:54:06 · 483 阅读 · 0 评论 -
[论文翻译] Generalized Radiograph Representation Learning via Cross-Supervision Between Images
预训练为最近在深度学习支持下的射线照片分析的成功奠定了基础。它通过在源域上进行大规模的全监督或自监督学习来获得可转移的图像表征;然而,监督式预训练需要复杂的、劳动密集型的两阶段人工辅助注释过程,而自监督学习无法与监督式范式竞争。为了解决这些问题,我们提出了一种交叉监督的方法,称为审查自由文本报告的监督(ReviewingFree-TextReportsforSupervision,REFERS),它从伴随着X光片的原始放射学报告中获取自由监督信号。.........翻译 2022-07-21 14:22:17 · 619 阅读 · 0 评论 -
mac查看本机public key
mac查看本机publickey原创 2022-07-19 18:16:52 · 1087 阅读 · 0 评论 -
Python heapq的简单用法
heapq最主要的功能就是一个heapify,可以构造一个小根堆。注意默认是不支持大根堆的,可以采用插入相反数的方法来替代。输出为:注意heapify(包括heapq封装的其他操作)都不会更改数据结构(仍为list),只会以堆的操作规范对其进行处理。虽然类型仍为list,但元素的顺序已经满足了堆的规范,所以从线性的角度看结果列表并非是有序的(是[1, 3, 7, 9, 5]而非[1, 3, 5, 7, 9])插入元素使用heappush方法:输出为:删除元素即取出堆顶的最小元素:输出为:原创 2022-07-13 16:46:58 · 1043 阅读 · 0 评论 -
[Short Leetcode] 使用Python特性快速求解Leetcode题目
本文收录整理了部分能够利用python特性迅速求解的Leetcode简单题目合集,多数求解代码在3行以内。不定期更新,欢迎评论补充题目[58. 最后一个单词的长度]给你一个字符串 s,由若干单词组成,单词前后用一些空格字符隔开。返回字符串中最后一个单词的长度。单词是指仅由字母组成、不包含任何空格字符的最大子字符串。示例解答[217. 存在重复元素]给你一个整数数组 nums 。如果任一值在数组中出现至少两次,返回 true ;如果数组中每个元素互不相同,返回 false 。示例解答[原创 2022-07-12 23:44:16 · 248 阅读 · 0 评论 -
[论文阅读] Multi-task Attention-Based Semi-supervised Learning for Medical Image Segmentation
[论文地址] [代码] [MICCAI 19]我们提出了一种新型的半监督图像分割方法,它同时优化了监督分割和无监督重建目标。重建目标使用一种注意力机制,将对应于不同类别的图像区域的重建分开。所提出的方法在两个应用中进行了评估:脑瘤和白质超密集区的分割。我们的方法在未标记的和少量标记的图像上进行训练,其表现优于用相同数量的图像训练的有监督的CNN和在未标记的数据上预训练的CNN。在消融实验中,我们观察到,所提出的注意机制大大改善了分割性能。我们探索了两种多任务训练策略:联合训练和交替训练。交替训练需要较少的超原创 2022-07-11 11:53:40 · 825 阅读 · 0 评论 -
常用英文学术论文写作词汇与表达
凭个人积累随便贴了一点可能存在语法错误,欢迎评论补充指正不定期更新为了toin order to难difficultchallenging有能力canbe able tobe qualified tobe capable of提出proposepresentprovide用useadoptleverage和within coordination with不同differentdiscrepant由于fordue tobecausebe attribute to原创 2022-07-11 11:48:11 · 762 阅读 · 0 评论 -
Python ord()函数与chr()的简单用法
ord()的作用是将字符转换成ASCII码:输出如下:chr可以将ASCII码转换回字符:输出如下:这两个函数配套使用主要用来完成与ASCII码有关的一些运算。在一些语言如C++中,这一过程是很容易完成的,例如我们要将字符A变成字符B只需要:输出为:而在Python中则需要稍微麻烦些,需要先用ord函数显式地将字符转为int型的ascii码,然后再利用chr转回:输出为:...原创 2022-07-11 10:27:36 · 3239 阅读 · 0 评论 -
[论文阅读] DMNet: Difference Minimization Network for Semi-supervised Segmentation in Medical Images
[论文地址] [代码] [MICCAI 20]语义分割是医学图像分析中的一项重要任务。一般来说,训练具有高性能的模型需要大量的标记数据。然而,收集标记的数据通常是困难的,特别是对于医学图像。一些半监督方法已经被提出来,使用未标记的数据来促进学习。这些方法大多使用自训练的框架,如果模型本身预测的伪标签质量不高,那么模型就不能得到很好的训练。协同训练是医学图像分割中另一种广泛使用的半监督方法。它使用两个模型并使它们相互学习。所有这些方法都不是端到端的。在本文中,我们提出了一种新的端到端方法,称为差异最小化网络(原创 2022-07-08 12:00:29 · 930 阅读 · 0 评论 -
Python bin()函数的简单用法
简单来说就是将整数转化为二进制字符串表示。例如:输出为:可以发现会加一个"0b"的前缀来表明二进制。当然,将数字转为二进制字符串是比较基础的操作,也可以自己动手写一个:有现成方法的好处就是做题的时候不用自己写一个了。例如:[Leetcode 191. 位1的个数]编写一个函数,输入是一个无符号整数(以二进制串的形式),返回其二进制表达式中数字位数为 ‘1’ 的个数(也被称为汉明重量)。示例:解答:.........原创 2022-07-07 23:51:13 · 10940 阅读 · 0 评论 -
[论文阅读] POPCORN: Progressive Pseudo-Labeling with Consistency Regularization and Neighboring
[论文地址] [代码] [MICCAI 21]半监督学习(SSL)使用未标记的数据来弥补标注图像的稀缺性和方法对未见领域的通用性不足,这是医学分割任务中的两个常见问题。在这项工作中,我们提出了POPCORN,一种结合了一致性正则化和伪标签的新方法,用于图像分割。所提出的框架使用高水平的正则化来约束我们的分割模型,使其对具有类似分割的图像使用类似的潜在特征。POPCORN估计一个近似图,从最容易的数据到更难的数据中选择数据,以确保准确的伪标签,并限制确认偏差。应用于多发性硬化症的病变分割,我们的方法与其他最先原创 2022-07-07 17:39:22 · 344 阅读 · 0 评论 -
[论文阅读] Efficient semi-supervised gross target volume of nasopharyngeal carcinoma segmentation via
[论文地址] [代码] [MICCAI 21]总目标体积(Gross Target Volume, GTV)分割在鼻咽癌(NasoPharyngeal Carcinoma, NPC)的放疗计划中起着不可替代的作用。尽管卷积神经网络(CNN)在这一任务中取得了良好的性能,但它们依赖于大量的标记图像进行训练,而这些图像的获取是昂贵和耗时的。在本文中,我们提出了一个新颖的框架,采用不确定修正金字塔一致性(URPC)正则化,用于半监督的NPC GTV分割。具体来说,我们扩展了一个骨干分割网络来产生不同尺度的金字塔预原创 2022-07-07 15:53:04 · 718 阅读 · 1 评论 -
Python set()函数的简单用法
set(),顾名思义,集合,可以用于创建一个无序不重复元素集,功能类似于Java中的HashSet以及C++中的unordered_set。输出:可以观察到两点:原列表内元素的顺序被打乱了;重复的元素被去除了。输出:创建空集合输出:需要注意的是,直接使用花括号创建的是dict(即其他语言中的map)。使用add方法:输出:需要注意的是,这个add方法是没有返回值的,因此无法据此判断set中原本是否存在待插入的元素。使用remove方法。不过一般set这种数据结构在应用场景中大多是"只进不原创 2022-07-07 13:52:45 · 6211 阅读 · 0 评论 -
[论文阅读] Semi-supervised Left Atrium Segmentation with Mutual Consistency Training
[论文地址] [代码] [MICCAI 21]半监督学习在机器学习领域引起了极大的关注,特别是对于医学图像分割任务,因为它减轻了收集大量密集注释数据进行训练的沉重负担。然而,现有的大多数方法在训练过程中低估了具有挑战性的区域(如小分支或模糊的边缘)的重要性。我们认为,这些未标记的区域可能包含更多的关键信息,以最大限度地减少模型的不确定性预测,并应在训练过程中予以强调。因此,在本文中,我们提出了一种新型的相互一致网络(MC-Net),用于从三维MR图像中进行半监督的左心房分割。特别是,我们的MC-Net由一个原创 2022-07-05 13:47:33 · 591 阅读 · 2 评论 -
[论文阅读] A Multi-branch Hybrid Transformer Network for Corneal Endothelial Cell Segmentation
[论文地址] [代码] [MICCAI 21]角膜内皮细胞分割在量化细胞密度、变异系数和六边形等临床指标方面起着重要作用。然而,角膜内皮的不均匀反射以及受试者的颤抖和运动导致图像中的细胞边缘模糊,难以分割,需要更多的细节和背景信息来释放这个问题。由于局部卷积和连续下采样的接受域有限,现有的深度学习分割方法不能充分利用全局背景,错过了很多细节。本文提出了一种基于Transformer和主干边缘分支的多分支混合Transformer网络(MBT-Net)。首先,我们使用卷积块专注于局部纹理特征提取,并通过Tra原创 2022-07-05 12:08:56 · 423 阅读 · 0 评论 -
[论文阅读] CarveMix: A Simple Data Augmentation Method for Brain Lesion Segmentation
[论文地址] [代码] [MICCAI 21]脑部病变分割(Brain Lesion Segmentation)为临床诊断提供了宝贵的工具,卷积神经网络(CNN)在该任务中取得了空前的成功。数据增强是一种广泛使用的策略,可以提高CNN的训练效果,而用于脑部病变分割的增强方法的设计仍然是一个开放的问题。在这项工作中,我们提出了一种简单的数据增强方法,被称为CarveMix,用于基于CNN的脑部病变分割。与其他基于"混合"的方法一样,如Mixup和CutMix,CarveMix随机地结合两个现有的标记图像来生成原创 2022-07-04 11:33:04 · 441 阅读 · 1 评论 -
Python zip() 的简单用法
如同字面意思,打包。在一些场景中,我们的一个对象包含两种简单属性,比方商品的名称和价格:如果要把这两个东西绑定起来管理,一种标准的方法自然是利用面向对象的思想弄一个类。而zip提供了一种更简单的方式:输出如下:直接调用zip得到的是一个zip对象,可以使用list方法将其转化为list对象以供使用。而list中存储的则是按原列表顺序匹配得到的一个个tuple。如果各列表的长度不一,则以最短的列表为准,多余的部分将被直接舍弃:输出如下:当然,将两个以上的列表合在一起也是可以的:输出如下:本文原创 2022-07-03 21:01:48 · 793 阅读 · 0 评论 -
[论文阅读] TUN-Det: A Novel Network for Thyroid Ultrasound Nodule Detection
[论文地址] [代码] [MICCAI 21]本文提出了一种新型的单阶段检测模型TUN-Det,用于超声扫描的甲状腺结节检测。主要贡献是:(i)引入Residual U-blocks(RSU)来构建我们的TUN-Det的主干;(ii)新设计的多头架构,由三个平行的RSU变体组成,以取代分类和回归头的普通卷积层。剩余块使骨干网的每个阶段都能提取局部和全局特征,这在检测不同大小和外观的结节中发挥了重要作用。多头设计将集合策略嵌入到一个端到端的模块中,通过融合不同子模块产生的多个输出来提高准确性和稳健性。在700原创 2022-07-03 19:42:43 · 276 阅读 · 0 评论 -
[论文阅读] CA-Net: Leveraging Contextual Features for Lung Cancer Prediction
[论文地址] [代码] [MICCAI 21]在肺癌的早期诊断中,一个重要步骤是对每个肺结节进行恶性/良性分类。对于这种分类,结节的特征(如形状、边缘)历来是主要的焦点。最近,背景特征由于其提供的补充信息而吸引了越来越多的关注。在临床上,这种背景特征指的是结节周围结构的特征,这样(与结节的特征一起)它们可以暴露出恶性/良性的鉴别模式,如血管汇聚和裂隙附着。为了利用这些上下文特征,我们提出了一个上下文注意网络(CA-Net),它可以提取结节和上下文特征,然后在恶性/良性分类中有效地融合它们。为了准确识别包含结原创 2022-07-02 14:51:44 · 576 阅读 · 0 评论 -
[论文阅读] Alleviating Data Imbalance Issue with Perturbed Input During Inference
[论文地址] [代码] [MICCAI 21]由于常见疾病和罕见疾病之间的数据不平衡,智能诊断往往偏向于常见疾病。即使在模型训练期间应用了再平衡策略,这种偏见仍然可能存在。为了进一步缓解这种偏见,我们提出了一种新的方法,这种方法不是在训练阶段而是在推理阶段发挥作用。对于任何测试输入数据,基于温度调整后的分类器输出和从不同疾病的反频率中得出的目标概率分布之间的差异,输入数据可以以类似于对抗性学习的方式被轻微扰动。与原始输入相比,对被扰乱的输入的分类器预测将变得不那么偏向常见疾病。所提出的推理阶段方法可以自然地原创 2022-07-02 12:00:03 · 212 阅读 · 0 评论 -
Python filter()函数的简单理解与用法
如同字面意思,可以原地保留某个对象中满足指定要求的元素。一个最常见的例子是,去除列表中的指定数,如下,给定一个数组A:现在我们想要去除里面的所有数字8。一个最简单的方法当然是写for循环:但是这样的话就不太简洁。利用filter函数的写法如下:这里将判定条件单独封装出来是为了方便理解,实际上:与匿名函数写法是等同的,后者在实际代码中更为常见。总结,形式化的语法规范如下:......原创 2022-06-25 16:10:47 · 2988 阅读 · 0 评论 -
浅谈IEEE会议论文的不出席政策Non-Presented Paper(No-Show)Policy
.原创 2022-06-08 11:51:14 · 8479 阅读 · 3 评论 -
2022~2023部分计算机视觉国际会议截止时间汇总
.原创 2022-06-04 18:10:00 · 7672 阅读 · 0 评论 -
2022快速计算机视觉EI国际会议汇总
原创 2022-05-24 13:12:54 · 1651 阅读 · 10 评论 -
[论文翻译] TxSpector: Uncovering Attacks in Ethereum from Transactions
[论文地址] [代码] [USENIX Security 20]省略了论文的图表部分TxSpector: Uncovering Attacks in Ethereum from TransactionsAbstract以太坊智能合约的发明使区块链用户可以在交易中定制计算逻辑。然而,与传统的计算机程序类似,智能合约也有漏洞,这些漏洞可以被利用,造成合约所有者的经济损失。虽然有许多软件工具用于检测智能合约字节码中的漏洞,但很少有人关注交易。在本文中,我们提出了TXSPECTOR,一个通用的、逻辑驱动的框翻译 2022-05-17 23:23:17 · 700 阅读 · 1 评论 -
简单理解梯度消失与梯度爆炸
这两种现象的触发原因都是由于网络层数比较多,导致梯度在逐层回传的时候累积出了问题。梯度消失接近输出层的网络层梯度更新较为正常,而越远(越接近输入层),其权值更新会非常慢,此时对网络的学习相当于等价于只对后几层的学习,而前面层的权重可以认为约等于是固定的保持不变。诱因 可以发现sigmoid激活函数的导数如下:可以发现其导数是不会大于0.25的,此时链式求导梯度回传过程中梯度是很可能逐渐变小的(取决于初始化权值的大小),导致最后梯度约等于0,即"消失"。可以考虑采用如下方法缓解梯度消失问题:将原创 2022-01-08 11:04:18 · 958 阅读 · 0 评论 -
简单理解机器学习中的L1距离,L2距离,L-Inf距离
Overview这三个东西的话,都是用来算相似度的,用更准确的说法应该叫∣∣L∣∣1||L||_1∣∣L∣∣1,∣∣L∣∣2||L||_2∣∣L∣∣2,∣∣L∣∣∞||L||_{\infty}∣∣L∣∣∞,即数值分析中的1-范数、2-范数、无穷范数。接下来为了方便描述起见仅以二维空间下的两点A(x1,y1)A(x_1,y_1)A(x1,y1),B(x2,y2)B(x_2,y_2)B(x2,y2)为例。L1距离即曼哈顿距离,可以简单理解为只能横着走或竖着走:d1=∣x1−x2∣+∣y1−原创 2022-01-07 23:11:08 · 15909 阅读 · 2 评论 -
数值分析(第五版) 第二章知识点总结
仅供大致参考,有许多定义存在不严谨的地方;不同学校的考察重点自然是不同的正在施工中第二章 插值法例题1(课后习题5)设f(x)∈C2[a,b]f(x) \in C^{2}[a, b]f(x)∈C2[a,b]且f(a)=f(b)=0f(a)=f(b)=0f(a)=f(b)=0,求证:maxa⩽x⩽b∣f(x)∣⩽18(b−a)2maxa⩽x⩽b∣f′′(x)∣\max _{a \leqslant x \leqslant b}|f(x)| \leqslant \frac{1}{8}(b-a)^.原创 2022-01-06 13:38:35 · 1321 阅读 · 0 评论 -
2021李宏毅机器学习课程笔记——Recurrent Neural Network
注:这个是笔者用于期末复习的一个简单笔记,因此难以做到全面详细,有疑问欢迎大家在评论区讨论I. Basic Idea首先引入一个例子,槽填充(Slot Filling)问题:Input: I would like to arrive Guangzhou on November 2nd.Output: Destination=> Taipei | time of arrival=> November 2nd即需要在输入句子中提取出我们想了解的给定类型信息(例如上面有两类,目的地与到达原创 2022-01-04 18:26:34 · 787 阅读 · 0 评论 -
2021李宏毅机器学习课程笔记——Auto Encoder
注:这个是笔者用于期末复习的一个简单笔记,因此难以做到全面详细,有疑问欢迎大家在评论区讨论https://speech.ee.ntu.edu.tw/~hylee/ml/ml2021-course-data/auto_v8.pptxI. Basic Idea简单来说,Auto Encoder就是一个Encoder+Decoder的架构。Encoder负责将图片给编码为向量,而Decoder负责将向量给解码回图片,即一个"自己生成自己"的过程。由于网络的输出仍为输入图片本身,不需要额外的标签,因此属于一种原创 2022-01-04 13:01:02 · 1560 阅读 · 0 评论 -
2021李宏毅机器学习课程笔记——Explainable AI
I. Interpretable v.s. Powerful从某种程度来讲,可解释性与模型性能是不可兼得的。比方说,线性模型是可解释的(直接看特征的权重),但是性能有限;深度模型不可解释,但是性能很强。从目前的现状看,大部分人还是会选择性能更强的模型,而去牺牲一些可解释性。实际上的话,大脑的工作原理我们也不清楚,但我们在许多情况下依然是可以去信任人类的决策。II. Local Explanation通过标记出图像中模型认为"重要的"部分,从而侧面反映出模型的决策依据:例如,如果模型认为图像中的耳原创 2022-01-01 21:29:29 · 984 阅读 · 0 评论