qq_41103479的博客

因为发现目前搜索到的多数中文教程并不能正确将FMRI图像正确转换，例如很多用simpleITk的seriesreader的，所以写了一下自己正确转换的方法。因为FMRI是一个4D数据，有时间轴，所以用seriesreader读写出来的图像把时间轴维度给降维了。当然你用SPM12工具的dycom import也是能正确转换的，但是我还是喜欢python这样的，代码直接简单。

分享数据集

比赛结束半个多月了，终于来做总结了，第一次SOLO参与这样的比赛，最终成绩是224名，离铜牌区差的也不远了，可惜自己就差那一点时间，或者说就是因为自己前期犯了很多错以及毫无比赛经验，比赛里面太多高手了，也有很多乐于分享的人，学到了很多，于是做个总结，记录一下，也给需要的朋友分享。下面分点给出一些个人认为对于深度学习竞赛有用的点（不以重要性排序）1.GPU资源，没有这个寸步难行，更别提人家大佬的GPU比你的好，比你的多😂。但是这也不是我们放弃的理由，从初学者的角度来看，GPU资源足够很重要...

GitHub - rabbitdeng/Unet-pytorch: a unet implementation for Image semantic segmentation

人工神经网络的FPGA硬件实现

封面图片来自网络，如侵立删。

论文标题：Real-time Scene Text Detection with Differentiable Binarization在这里放出论文arxiv链接可微分二值化模块（Differentiable Binarization module) 论文中最重要的即是提出了可微分二值化模块（Differentiable Binarization module，简称DB module），如下图（来源于论文中），SB则是我们在区分前景，后景中，使用的阶跃函数，式（1）。t为thre...

之前的文章里面，我们使用了残差网络的形式实现生成器与辨别器，它理论上可以实现很不错的效果，但有一个很致命的缺点，就是训练太慢，很难见到成果。 这一次，我们实现了一个利用自注意力机制制作的对抗生成网络。自注意力机制是我们在深度学习道路上，除了RNN,CNN以外，不得不了解的一种模块。非常有意思。简而言之，这个模块，相比于之前单纯使用卷积网络的GAN，它更加能注重上下文，举个例子，在生成人物眼睛的时候，它会注意到鼻子????，头发等其他部位，从而将眼睛放在合适的位置，总之，能更好的学...

attention机制，即自注意力机制，为了解决以往的RNN，LSTM等模型对于长距离的上下文分析能力不足的问题。