- 博客(47)
- 收藏
- 关注
RSS订阅原创 【mini-vue学习笔记】reactivity部分
在Vue3中，effect是一个全新的响应式API，用于追踪响应式数据的变化并触发副作用。effect函数接受一个函数作为参数，并返回一个响应式的函数。在effect函数内部可以访问和操作响应式数据，在响应式数据发生变化时，effect会自动重新运行，以触发相应的副作用。// 输出：1 count . value = 2;// 输出：2 stop();// 停止effect函数的运行在上面的例子中，我们使用effect函数创建了一个响应式函数，当count。
2023-07-17 14:42:07
189
原创 【前端开发核心知识进阶-笔记】2.闭包的理解
在JavaScript中执行某个函数时，如果遇见变量且需要读取其值，就会“就近”先在函数内部查找该变量的声明或赋值情况。如果在函数内无法找到该变量，就要跳出函数作用域，到更上层作用域中查找。更上层作用域也可以顺着作用域范围向外扩散，一直到全局作用域。
2023-07-08 13:50:12
161
原创 Generative Consistency for Semi-Supervised Cerebrovascular Segmentation From TOF-MRA
轻度磁共振成像（TOF- MRA）的脑血管分割是计算机辅助诊断的关键步骤。近年来，深度学习模型已经证明了其强大的脑血管分割特征提取。然而，他们需要许多标记数据集来实现有效的驱动，但这些数据集既昂贵又专业。在本文中，我们提出了一种用于半监督的生成一致性（GCS）模型。考虑到特征图中包含的丰富信息，GCS模型利用生成结果来约束分割模型。生成数据分别来自标记数据、未标记数据和扰动后的未标记数据。GCS模型还计算扰动数据的一致性，以提高特征挖掘能力。随后，我们提出了一个新的模型作为GCS的主干。
2023-07-06 15:00:29
243
原创 Transferable Visual Words: Exploiting the Semantics of Anatomical Patterns for Self-supervised Learn
本文介绍了一个名为“可转移视觉词”（TransVW）的新概念，旨在实现医学图像分析中深度学习的注释效率。医学成像——专注于身体的特定部分来定义的临床目的——生成跨患者解剖结构高度相似的图像，并在图像之间产生复杂的解剖模式，这些模式与人体解剖的丰富语义以及自然视觉词相关联。我们表明，这些视觉词可以通过自我发现根据解剖一致性自动收获，并且自我发现的视觉词可以作为深度模型的强大而免费的监督信号，通过自监督（自分类和自恢复）学习语义丰富的通用图像表示。
2023-07-06 14:58:42
79
原创 Coarse-to-fine Airway Segmentation Using Multi information Fusion Network and CNN-based Region Growi
*背景和目的：**胸腔计算机断层扫描的自动气道分割在肺部疾病诊断和计算机辅助治疗中发挥着重要作用。然而，外周分支和复杂树状结构的低对比度仍然是气道分割的两个主要挑战。最近的研究表明，深度学习方法在分割任务中表现良好。受这些工作的启发，我们提出了一个从粗到细的分割框架来获得一个完成的气道树。**方法：**我们的框架通过多信息融合卷积神经网络（Mif-CNN）和基于CNN的区域分别分割整体和小分支。在Mif-CNN中，将ASPP集成到U形网络中，可以扩大感受野并捕获多尺度信息。
2023-07-06 14:57:26
142
原创 Alleviating Class-wise Gradient Imbalance for Pulmonary Airway Segmentation
自动气道分割是术前诊断和术中肺部干预导航的先决条件。由于外周支气管的体积小、空间分布分散，并且由于前景和背景区域之间的严重类别不平衡，使得基于CNN的方法难以解决远端小气道的分割问题。在本文中，我们证明了这个问题是由领域体素的梯度侵蚀和膨胀引起的。**在反向传播过程中，如果前景梯度与背景梯度的比值很小，而类不平衡是局部的，则前景梯度会被他们的领域侵蚀。**这个过程累积地增加了从顶层到底层的梯度流中包含的噪声信息，限制了CNN中小结构的学习。
2023-07-06 14:56:13
196
原创 Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT
训练卷积神经网络（CNNs）分割肺气道、动脉和静脉具有挑战性，因为管状目标和背景之间的严重类别不平衡会导致监督信号稀疏。我们提出了一种基于CNN的非对比CT精确气道和动静脉分割方法。它对纤细的周围细支气管、小动脉和小静脉具有优越的敏感性。该方法首先使用特征校准模块，以充分利用从神经网络中学习到的特征。再适当地整合特征的空间信息，保持激活区域的相对优先级，有利于后续的通道级的再校准。然后引入注意力蒸馏模块，加强管状对象的表示学习。高分辨率注意图中的细粒度细节从一层递归地传递到上一层，以丰富上下文。
2023-05-29 14:36:16
249
原创 Graph Convolution Based Cross-Network Multi-Scale Feature Fusion for Deep Vessel Segmentation
血管分割广泛用于帮助血管疾病诊断。使用现有方法重建的血管往往不够准确，无法满足临床使用标准。这是因为3D血管结构非常复杂，具有包括稀疏性和各向异性等特殊特征。在本文中，我们提出了一种用于血管分割的创新混合深度神经网络。我们的网络由两个级联子网络组成，分别执行初始和细化分割。第二个子网络有两个紧密耦合的组件，一个传统的基于CNN的U-Net和一个图U-Net。在这两种U型网络之间进行跨网络多尺度特征融合，有效支持高质量的血管分割。整个级联网络可以从端到端进行训练。
2023-05-29 14:35:44
309
2
原创 AirwayNet: A Voxel-Connectivity Aware Approach for Accurate Airway Segmentation Using Convolutional
CT上的气道分割对肺部疾病的诊断和支气管内导航至关重要。由于气道结构复杂，外观多样，人工提取气道需要付出很大的努力。在自动气道提取中，基于卷积神经网络(cnn)的方法已成为目前最先进的方法。然而，cnn如何感知树状模式，理解气道的连通性仍然是一个挑战。为了解决这个问题，我们提出了一种名为AirwayNet的体素连接感知方法，用于精确的气道分割。通过连通性建模，将传统的二元分割任务转化为26个连通性预测任务。因此，我们的AirwayNet学习气道结构和相邻体素之间的关系。
2023-05-29 14:35:07
202
1
原创 NestedFormer：Nested Modality-Aware Transformer for Brain Tumor Segmentation
这篇论文提出了使用pool transformer作为下采样层，NMaFA模块来融合多模态数据，借鉴该思路，可以做不同分支提取的特征基于transformer的特征融合模块，目前已知的有基于CNN的多特征融合模块ASPP等等，可以尝试一下基于transformer的融合模块是否有更好的效果这篇论文的融合模块主要用于网络的深层，即特征块的尺寸会比较小，transformer的参数量也小，可以考虑在高分辨率的特征层也添加融合模块，但要想办法解决参数量大的问题。
2022-10-20 10:02:01
504
2
原创 Multiscale Vision Transformers
我们将多尺度特征层次的基本思想与transformer模型相结合，提出了用于视频和图像识别的多尺度vision transformer（MViT）。多尺度transformer有一系列的通道分辨率尺度级别。这些阶段从输入分辨率和较小的通道维度开始，在降低空间分辨率的同时，逐级增加通道容量。这创建了一个多尺度的特征金字塔，浅层在高空间分辨率下运行，以建模简单的低级视觉信息，而更深的层在粗糙空间下运行，但建模复杂的高级特征。
2022-10-20 10:01:29
1591
原创 MetaFormer is Actually What You Need for Vision
这篇文章证明了transformer中真正有效的不是attention里面的token mixer，而是这一套体系结构这篇文章用一个简单的pooling取代了最耗时的attention，表现却非常的好。文章的实验可以看出，pool+attention的方案效果是最好的，在metaformer的体系结构下，组合Pooling与其他token mixer技术可能是一个提升模型性能的有价值的研究方向。
2022-10-20 10:00:59
452
原创 SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation
我们提出了一个简单的卷积神经网络架构用于语义分割领域。由于Self-attention编码空间信息的高效性，近期Transformer- based模型主导了语义分割领域，但在本文中，我们发现并验证了，相对于Self-attention，卷积注意力是一种更为有效且高效的编码上下文信息的方法。通过重新检视那些成功的分割模型的特征，我们发现了几个提升分割模型性能的关键结构。这些发现引导我们去设计一个仅用轻量的卷积操作的卷积注意力模型。
2022-10-20 10:00:18
385
原创 Contextual Transformer Networks for Visual Recognition
具有自注意力的Transformer引发了自然语言处理领域的革命性变革，以致最近在计算机视觉领域激发了Transformer的架构设计出现，在众多计算机视觉任务中取得了有竞争力的结果。然而，大多数现有设计直接在2D特征图上使用自注意力来获得基于每个空间位置的隔离查询和键对的注意力矩阵，但未充分利用相邻键之间的丰富上下午。在这项工作中，我们设计了一个新颖的Transformer风格的模块，即Contextual Transformer（CoT）块，用于视觉识别。
2022-10-20 09:59:29
999
原创 APAUNet: Axis Projection Attention UNet for Small Target in 3D Medical Segmentation
在3D医学影像分割中，小目标分割对于诊断至关重要，但仍面临挑战。在本文中，我们提出了名为APAUNet的Axis Projection Attention UNet，用于3D医学影像分割，尤其是小目标。考虑到3D特征空间中背景的比例很大，我们引入了一种投影策略，将3D特征投影到三个正交的2D平面中，以捕捉来自不同视图的上下文注意力。通过这种方式，我们可以过滤掉冗余的特征信息，减少3D扫描中小病灶的关键信息丢失。
2022-10-20 09:58:52
933
4
原创 TransFuse：Fusing Transformerd and CNNs for Medical Image Segmentation
TransFuse：Fusing Transformerd and CNNs for Medical Image SegmentationYundong Zhang, Huiye Liu, Qiang HuMICCAI 2021Abstract医学影像分割，是众多临床需求的先决条件，在卷积神经网络的最新进展下得到了显著发展。然而，它在建模显式长距离关系方面表现出了广泛的局限性。而现有的方案，依靠构建深度编码器和大量的下采操作，导致了网络冗余加深和局部细节的丢失。因此，分割任务需要一个更好的解决方
2022-05-27 15:14:12
1132
原创 Segmenter Transformer for Semantic Segmentation
Segmenter: Transformer for Semantic Segmentation2021 ICCVRobin Strudel, Ricardo Garcia, Ivan Laptev, Cordelia SchmidAbstract 图像分割往往在单个图像块的层次上是模糊的，需要上下文信息才能达到与标记的一致性。本文介绍了一种语义分割transformer模型Segmenter。与基于卷积的方法不同，我们的方法允许对已经在第一层和整个网络中的全局上下文进行建模。我们建立在最
2022-02-27 16:32:40
5375
原创 Visual_Transformers_Token_based_Image_Representation_and_Processing_for_Computer_Vision
Visual Transformers: Token-based Image Representation and Processing for Computer Vision2020 CVPR1. 摘要 计算机视觉通过（A）将图像表示为均匀排列的像素阵列和（B）卷积高度局部化的特征取得了显著的成功。然而，卷积对所有图像像素一视同仁，不考虑重要性；明确地对所有图像中的所有概念建模，而不考虑内容；以及尽力将空间距离的概念联系起来。在这项工作中，我们通过（A）将图像表示为语义视觉标记（seman
2022-02-21 16:31:15
3049
原创 考研英语写作收集
英语写作大作文图画：英一为主图表：英二为主18行左右，25分钟结束小作文应用文私人书信公务书信10行左右，15分钟结束评分原则和方法书写工整，卷面整洁，字迹清晰语言第一：单词语法正确，准确（具体描述），多变在正确的基础上再准确结构第二：三段论写作中，上下句有逻辑关系，则一定要用逻辑关系词多用代词代替已经出现过的名词内容第三：切题，不要跑题就行写作常见问题语域问题：语言的正式性和非正式性缩写词非正式：I am 代替
2022-02-21 10:59:07
230
原创 python图片和字符串编码的相互转换
图片转化为base64字符串import base64#二进制方式打开图片pic=open('C:\\Users\\Luffy\\Desktop\\graph.png','rb')#读取文件内容，转换为base64的编码，字符串类型str_pic=base64.b64encode(pic.read())pic.close()print(str_pic)base64字符串转化为图片import base64pic_data=base64.b64decode(str_pic)#str_
2022-02-21 10:57:49
1128
原创 数学建模-时间序列分析
时间序列分析时间序列也称动态序列，由两个组成要素构成：1.时间要素：年、季度、月、周、日、小时…2.数值要素分类：时期序列和时点序列1.SPSS处理时间序列中的缺失值替换缺失值的五种方法：SPSS->转换->替换缺失值1.序列平均值：用整个序列的平均数代替缺失值2.临近点的平均值：用相邻若干个点的平均数来替换3.临近点的中位数：用相邻若干点的中位数来替换缺失值4.线性插值：用相邻两个点的平均数来替换缺失值5.邻近点的线性趋势：将时期数作为x，时间序列值作为y
2022-02-21 10:57:18
1766
原创 数学建模-聚类模型
聚类模型1.K-means聚类算法K-means聚类的算法流程：一、指定需要划分的簇的个数K值（类的个数）；二、随机地选择K个数据对象作为初始的聚类中心（不一定要是样本点）；三、计算其余的各个数据对象到这K个初始聚类中心的距离，把数据对象划归到距离它最近的那个中心所在的簇类中；四、调整新类（同一个簇中的数据对象）并且重新计算出新类的中心；五、循环步骤三和四，看中心是否收敛（不变），如果收敛或达到迭代次数（10次左右）则循环停止；六、结束K-means聚类可视化Ps:多使用算法流程
2022-02-21 10:56:48
1550
原创 数学建模-分类模型
分类模型1. 二分类模型-SPSS实现1.1数据预处理定性变量生成定量的虚拟变量步骤：SPSS->转换->创建虚变量1.2 使用逻辑回归进行处理根据原理：两点分布（伯努利分布）在给定xxx的情况下，考虑yyy的两点分布概率:{P(y=1∣x)=F(x,β)P(y=0∣x)=1−F(x,β)\begin{cases} P(y=1|x)=F(x,β)\\ P(y=0|x)=1-F(x,β)\end{cases}{P(y=1∣x)=F(x,β)P(y=0∣x)=1−F
2022-02-21 10:56:27
5493
原创 Vue学习笔记
Vue学习笔记Vue CLI脚手架文件结构关于不同版本的Vuevue.js和vue.runtime.xxx.js的区别：vue.js是完整版的Vue，包含：核心功能+模板解析器vue.runtime.xxx.js是运行版的Vue，只包含核心功能，没有模板解析器因为vue.runtime.xxx.js没有模板解析器，所以不能使用template配置项，需要使用render函数接收到createElement函数去指定具体内容vue.config.js配置文件使用vue inspe
2022-02-21 10:55:31
425
原创 SSM整合
SSM整合Mybatis层1.数据库create database ssmbuild;use ssmbuild;create table books( bookId int(10) not null auto_increment, bookName varchar(100) not null, bookCounts int(11) not null, detail varchar(200) not null , primar
2022-02-19 15:30:58
403
原创 SpringMVC
SpringMVCMVC：模型（dao,service),视图（jsp），控制器（Servlet）1.回顾Servlet1.idea中项目右键Add Framework Support，添加web支持2.导入依赖<dependency> <groupId>javax.servlet</groupId> <artifactId>servlet-api</artifactId> <version>2.5&l
2022-02-19 15:30:24
256
原创 Spring
1、Spring5Spring是一个反转控制（IOC）和面向切面编程（AOP）的容器框架Spring是一个开源的、免费的框架（容器）Spring是一个轻量级的、非入侵式的框架支持事务的处理，对框架整合的支持1.1、IoC思想Inversion（反转） Of Control：控制反转IoC的原型：通过set方法进行动态实现值的注入依赖注入（Dependency Injection,DI）是实现IoC的一种方法资源获取的方式： 主动式：通过主动创建资源来获取资源BookSe
2022-02-19 15:29:40
166
原创 Redis
Ubuntu4Redis一、Redis4Docker1. Docker安装从Docker仓库下载安装最新版sudo apt updatesudo apt install apt-transport-https ca-certificates curl software-properties-commonvim /etc/apt/sources.list.d/docker.list#在/etc/apt/sources.list.d/docker.list文件中添加下面一行的内容deb [a
2022-02-19 15:29:08
697
原创 React
ReactReact是一个将数据渲染为HTML视图的开源JavaScript库原生JavaScript操作DOM繁琐、效率低（DOM-API操作UI）使用JavaScript直接操作DOM，浏览器会进行大量的重绘重排原生JavaScript没有组件化编码方案，代码复用率低采用组件化模式、声明式编码在React Native中可以使用React语法进行移动端开发使用虚拟DOM + 优秀的Diffing算法，尽量减少与真实DOM的交互1.Hello React<!DOCTYPE
2022-02-19 15:28:30
262
原创 Node.js笔记
Node.js事件导入核心包events，util//util是工具包var util=require('util');var events=require('events');util引导变量继承EventEmitter对象var Person=function(name){ this.name=name;}util.inherits(Person,events.EventEmitter);为自定义对象绑定触发事件var luffy=new Person('l
2022-02-19 15:27:51
122
原创 Mybatis
Mybatis1. 简介1.1 什么是Mybatis[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-254dAjyt-1645255616010)(C:\Users\路飞大魔王\Desktop\mybatis-logo.png)]MyBatis 是一款优秀的持久层框架；它支持自定义 SQL、存储过程以及高级映射。MyBatis 免除了几乎所有的 JDBC 代码以及设置参数和获取结果集的工作。MyBatis 可以通过简单的 XML 或注解来配置和映射原始类型、接口
2022-02-19 15:27:22
541
原创 Maven
MavenMaven是一个项目管理工具，它包含了一个项目对象模型(POM: Project Object Model)，一组标准集合，一个项目生命周期(Project Lifecycle)，一个依赖管理系统(Dependency Management System)，和用来运行定义在生命周期阶段(phase)中插件(plugin)目标(goal)的逻辑。Maven的使用1.Maven的安装1.下载Maven，解压目录不要出现中文2.安装JDK3.配置Maven环境变量： 1.新建：变量名
2022-02-19 15:26:49
124
原创 Kafka安装与部署
大数据相关知识点1. Kafka介绍 Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据，具有高性能、持久化、多副本备份、横向扩展能力……分布式系统，易于向外扩展；同时为发布和订阅提供高吞吐量;支持多订阅者，当失败时能自动平衡消费者；将消息持久化到磁盘，可用于批量消费；[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hBSMojUf-1645255556442)(C:\Users\luffy\Desktop\lu
2022-02-19 15:26:19
7215
原创 Java注解与反射
Java注解与反射1.注解 Java.AnnotationAnnotation不是程序本身，可以对程序作出解释可以被其他程序读取可以通过反射机制编程实现对这些元数据的访问格式是"@注解名"public class test { @Override public String toString() { return super.toString(); }}2.内置注解@Override：表示一个方法声明打算重写超类中的另一个
2022-02-19 15:25:48
716
原创 Hadoop安装部署
Hadoop安装与部署参考博客：厦门大学数据库实验室Hadoop安装配置教程1. 创建Hadoop用户sudo useradd -m hadoop -s /bin/bash1.1 设置密码sudo passwd hadoop输入两遍密码1.2 用户增加管理员权限sudo adduser hadoop sudo1.3 切换到hadoop用户2. 安装SSH、配置SSH无密码登陆sudo apt install openssh-serverssh localhost #尝试本地登陆
2022-02-18 21:00:09
1042
原创 Github-hexo搭建个人博客
title: Github+hexo搭建个人博客tags: created by luffy一、hexo搭建本地博客 1.安装Node.js2.npm install -g cnpm --registry=https://registry.npm.taobao.org3.cnpm install -g hexo-cli4.新建一个文件夹，来存放博客内容5.进入文件夹，cmd命令:hexo init6.启动博客：hexo s7.新建文章：hexo n "blogName"(生成的是md文.
2022-02-18 20:59:38
95
原创 Bootstrap
Bootstrap41.添加Bootstrap的引用 <link rel="stylesheet" href="../bootstrap-3.3.7-dist/css/bootstrap.css"> <link rel="stylesheet" href="../bootstrap-3.3.7-dist/css/bootstrap-theme.css"> <!--因为Bootstrap依赖jQuery,所以要在bootstrap.js前引用jQuery--&
2022-02-18 20:58:59
309
原创 如何读论文
如何读论文1.一般论文结构titleabsintromethodexpconclusion2.三遍读一篇论文Pass 1标题和摘要结论方法和实验（图表为主）如果文章内容是感兴趣的东西，再继续往下读Pass 2可以从标题从头往下读一些公式或很细节的部分可以忽略掉要搞清楚重要的图表在做什么，整个方法的流程图一遍下来对整个论文的各个部分都有一定的了解，没看过的相关文献可以标记出来。大概了解文章解决什么问题，结果怎么样，用了什么方法。Pass 3最详细的
2022-02-18 20:58:22
140
原创 Test-Time Personalization with a Transformer for Human Pose Estimation
Test-Time Personalization with a Transformer for Human Pose Estimation2021 CVPR摘要 我们提出在给定一组人的测试图像的情况下对人体姿态估计器进行个性化，而不使用任何人工注释。虽然人体姿态估计有了很大的进步，但要将模型推广到不同的未知环境和没见过的人仍然是非常有挑战性的。我们没有为每个测试用例使用固定的模型，而是在测试期间调整我们的姿态估计器，以利用特定于人的信息。我们首先在不同的数据上训练我们的模型，联合了监督和自监
2022-02-18 20:57:47
444
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