小源1108-CSDN博客

原创论文阅读：Fine-Grained Classification via Hierarchical Feature Covariance Attention Module

细粒度视觉分类(FGVC)在航空和动物品种等多个领域一直面临挑战。这主要是由于FGVC的标准差异相当小的范围或微妙的模式差异。在深度卷积神经网络中，特征映射之间的协方差正向影响特征的选择，从而自动学习判别区域。在这项研究中，我们提出了一种细粒度分类模型的方法，通过插入一个使用协方差特征的注意力模块。具体来说，我们引入了特征映射注意模块(FCA)来提取卷积块之间的特征映射，从而构成了现有的分类模型。然后，FCA模块将协方差矩阵的相应值应用于信道，以聚焦于显著区域。

2024-02-21 23:16:53 798

原创论文阅读：Progressive Learning of Category-Consistent Multi-Granularity Features for FGVC

由于类内对象固有的细微变化，细粒度视觉分类 (FGVC) 比传统分类任务更具挑战性。最近的工作主要是部分驱动（显式或隐式），假设细粒度信息自然地存在于部分中。在本文中，我们采取了不同的立场，并表明部分操作并不是绝对必要的——关键在于鼓励网络以不同的粒度学习并逐步将多粒度特征融合在一起。我们提出：(i) 一种有效融合不同粒度特征的渐进式训练策略，(ii) 一致的块卷积，鼓励网络在特定粒度上学习类别一致的特征。代码可在 https://github.com/PRIS-CV/PMG-V2 获得。

2024-02-17 17:39:30 942 1

原创阅读论文：Locally-Enriched Cross-Reconstruction for Few-Shot Fine-Grained Image Classification

当仅采用通常嵌入模块的基本特征进行重建时，对判别局部信息的阐述并不充分，而判别局部信息对于判别高相似性的细粒度图像的子类别至关重要。我们提出了一种新的局部内容丰富交叉重建网络(LCCRN)，用于小样本细粒度分类。在LCCRN中，我们设计了两个新的模块:局部内容丰富模块(LCEM)用于学习判别性局部特征，交叉重构模块(CRM)用于将局部特征与从单独嵌入模块获得的外观细节充分融合。分类分数的计算基于交叉重构任务的重构误差加权和，权重从训练过程中学习。代码。

2024-02-09 16:40:14 1018

原创论文阅读：Blending Is All You Need: Cheaper, Better Alternative to Trillion-Parameters LLM

在会话人工智能研究中，有一个明显的趋势是开发具有更多参数的模型，例如ChatGPT模型。虽然这些扩展模型倾向于生成越来越好的聊天响应，但它们需要大量的计算资源和内存。这项研究探讨了一个相关的问题:相对于单一的大型模型，小型模型的组合是否可以协同实现相当或增强的性能?我们介绍了一种称为混合的方法，这是一种简单而有效的集成多个聊天ai的方法。我们的经验证据表明，当特定的较小模型协同混合时，它们可能会超越或匹配大得多的对应物的能力。

2024-01-18 16:39:09 883 1

原创阅读论文：ABC-Norm Regularization for Fine-Grained and Long-Tailed Image Classification

现实应用中的图像分类通常涉及复杂的数据分布，如细粒度和长尾。为了同时解决这两个具有挑战性的问题，我们提出了一种新的正则化技术，该技术产生对抗损失以加强模型学习。具体而言，对于每个训练批次，我们构建了一个自适应批次预测(ABP)矩阵，并建立了相应的自适应批次混淆范数(ABC-Norm)。ABP矩阵由两部分组成，其中一个自适应组件用于分类编码不平衡数据分布，另一个组件用于批处理评估softmax预测。abc范数导致基于范数的正则化损失，这在理论上可以被证明是与秩最小化密切相关的目标函数的上界。

2024-01-15 17:23:43 863 1

原创论文阅读：一种通过降低噪声和增强判别信息实现细粒度分类的视觉转换器

最近，已经提出了几种基于Vision Transformer（ViT）的方法用于细粒度视觉分类（FGVC）。这些方法明显超过了现有的基于卷积神经网络（CNN）的方法，展示了ViT在FGVC任务中的有效性。然而，在将ViT直接应用于FGVC时存在一些限制。首先，ViT需要将图像分割成补丁并计算每对补丁的注意力，这可能导致在训练阶段产生大量噪音计算，并且在处理具有复杂背景和小物体的细粒度图像时性能不理想。

2023-12-05 18:19:03 1664

原创论文阅读：MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model

MedSegDiff：基于扩散概率模型的医学图像分割（高频信号）对应着图像变化剧烈的部分，也就是图像的边缘（轮廓）或者噪声以及细节部分。

2023-11-23 17:02:16 262

原创 FSDiffReg：心脏图像的特征和分数扩散引导无监督形变图像配准

无监督可变形图像配准是医学成像领域的一项具有挑战性的任务。在一系列基于深度学习的解决方案中，在保持变形拓扑的同时获得高质量的变形场仍然是一项艰巨的任务。同时，扩散模型的潜在特征空间显示出潜在的变形语义建模。特征扩散引导模块（FDG）分数扩散引导模块（SDG）FDG使用扩散模型的多尺度语义特征来指导变形场的生成。SDG使用扩散分数来指导优化过程，以在几乎没有任何额外计算的情况下保留变形拓扑。

2023-11-06 20:08:29 262

原创论文阅读：Cross-layer mutual attention learning for fine-grained visual classification

细粒度视觉分类(FGVC)很有价值，但也很有挑战性。FGVC的难点主要在于其固有的类间相似性、类内差异性和有限的训练数据。此外，随着深度卷积神经网络的普及，研究人员对FGVC主要使用深度、抽象、语义信息，而忽略了浅层、详细的信息。本文提出了一种跨层互注意学习网络(CMAL-Net)来解决上述问题。具体来说，这项工作将cnn的浅层到深层视为了解不同观点的“专家”。我们让每个专家给出一个类别预测和一个注意区域，表明发现的线索。帮助模型聚焦于判别区域提供更多的培训数据。

2023-10-27 16:41:39 291

原创论文阅读：Molecular subtypes classification of breast cancer in DCE-MRI using deep features

利用乳腺DCE-MRI识别分子亚型本研究使用了1359张DCE-MRI图像的人工注释数据集，其中70%用于训练，其余用于测试。从该数据集中提取了12个深度特征。数据集首先由具有乳腺MRI解释经验的放射科医生通过放置roi进行预处理，然后使用所提出的卷积神经网络(CNN)提取深度特征。最后，利用支持向量机(SVM)对提取的深层特征进行乳腺癌分子亚型分类。使用准确度和曲线下面积(AUC)测量来评估预测模型的有效性。该测试是在未见的滞留数据上执行的。

2023-10-21 19:55:50 64

原创阅读论文：Label-Free Liver Tumor Segmentation

论文的目的：肿瘤合成，通过使用合成数据来改进医学图像分析和AI在肝脏肿瘤检测方面的性能1. 合成策略将医学知识嵌入可执行程序中，通过放射科医生和计算机科学家的协作，实现了逼真肿瘤的生成，无需手动标注成本。2. 整个训练阶段不需要标注成本，并且生成的模型在无监督异常分割方法和肿瘤合成策略方面明显优于先前的方法。3. 在合成肿瘤上训练的AI模型在真实肿瘤分割方面可以达到与使用真实肿瘤和逐像素标注训练的AI模型类似的性能，并且可以推广到具有健康肝脏的CT扫描和其他医院的扫描。

2023-10-07 21:28:29 398

原创阅读论文笔记：High-Resolution Image Synthesis with Latent Diffusion Models

参考链接：https://zhuanlan.zhihu.com/p/582693939首先需要训练好一个自编码模型（AutoEncoder包括一个编码器和一个解码器），然后我们可以利用编码器对图片进行压缩，然后在潜在表示空间上做diffusion操作，最后再用解码器恢复到原像素空间即可。这个方法即是感知压缩。

2023-09-18 20:36:44 162 1

原创 PyTorch深度学习实践-反向传播

视频链接（刘二大人）：https://www.bilibili.com/video/BV1Y7411d7Ys。PyTorch深度学习实践-反向传播。

2023-06-17 08:45:00 51

原创 PyTorch深度学习-梯度下降算法

如果函数为一个带有鞍点的损失函数，如果每次只用其中一个样本，但每个样本都有噪声，则引入随机噪声，引入随机性，更新的过程时，就有可能跳过鞍点。学习视频链接（刘二大人）：https://www.bilibili.com/video/BV1Y7411d7Ys。梯度下降算法用的比较少，随机梯度下降算法是梯度下降算法的一个引申。cost如果先下降再上升，即训练发散，常见原因：学习率太大。梯度下降算法：得到的不一定是全局最优，但一定是局部最优的。更新权重的方法：Update，学习率越小越好。

2023-06-15 08:00:00 81

原创 PyTorch深度学习-线性模型

视频连接 - 刘二大人：https://www.bilibili.com/video/BV1Y7411d7Ys学习步骤：1. DataSet 准备数据集2. Model 模型的选择或设计3. training 大部分模型都需要进行训练例子：Supervised learning模型设计：（找到y=f(x)函数，函数类型是多样的）可以画出损失函数为：作业题目：实现线性模型（y = w * x + b）并输出loss的3D图像。实现代码：

2023-06-12 10:00:00 85

原创上传和下载文件

可以将UploadFiles文件中的文件下载到电脑中，也可以将电脑中的文件上传到UploadFiles文件中。蓝色字体是可以下载的文件，如果有文件上传到UploadFiles文件中，蓝色字体也会相应的添加上上传的文件。

2023-04-24 23:30:00 35

原创文件的上传和加载

可以将UploadFiles文件中的文件下载下来，也可以把电脑中的文件上传到UploadFiles文件中。

2023-04-23 18:30:00 37

原创 session在网页中确保登录后才能进入加密网页

必须登录以后才能访问secret.html页面。

2023-04-22 23:15:00 84

原创 Flask+mysql网站的注册登录

【代码】Flask+mysql网站的注册登录。

2023-04-21 06:45:00 278 1

原创 flask框架写一个注册页面

这个就是一个简单的注册页面，如果输入用户和密码，下边会出现用户，密码。加上数据库的注册程序。如果是登录的话见注释。

2023-04-20 06:15:00 166

原创 DataFrame学生成绩处理

【代码】DataFrame学生成绩处理。

2023-04-16 11:15:00 478

原创 pandas

s == pd.Series([‘A’, ‘B’, ‘C’], index=[‘x’, ‘y’, ‘z’])，不但可以通过元素下标定位，更加重要的是可以通过index键值定位，例如s[0]、s[‘x’]都是元素’A’。如果s是一个Series对象，那么使用s.index来获取或者设置它的index值，注意要保证index的长度与s的数据长度一致，index可以是任意的整数，字符串等有虚数据。如果s是一个series, key是一个在s.index中出现过的键值,那么通过。DataFrame数据的四则运算。

2023-04-15 07:00:00 57