西_西_-CSDN博客

原创小样本目标检测研究综述

数据驱动下的深度学习技术在计算机视觉领域取得重大突破，但模型的高性能严重依赖于大量标注样本的训练。然而在实际场景当中，大规模数据的获取和高质量的标注十分困难，限制了其在特定应用领域的进一步推广。近年来小样本学习在目标检测领域的发展，为解决上述问题提供了新的研究思路。小样本目标检测旨在通过少量标注样本实现对图像中目标的分类和定位。本文从任务和问题、学习策略、检测方法、数据集与实验评估等角度出发，对当前小样本目标检测的研究成果加以梳理和总结。首先，系统性地阐述了小样本目标检测的任务定义及核心问题，并讨论了当

2023-12-24 19:32:12 1136

原创 python安装torch的详细步骤

输入pip install torchvision -i https://pypi.doubanio.com/simple后显示我的torch版本太低。pip install torch==1.4.0 -i https://pypi.doubanio.com/simple一直装不上。打开上面地址，找到自己要下的版本，我是windows系统，python3.6，装的cpu版本torch==1.4.0，4.直接安装torch==1.4.0。在运行窗口打开自己的要安装的环境，torch==1.4.0安装成功。

2023-12-21 21:41:18 1422

原创 GAN在医学图像上的应用

合成的vessel tree图像又可以输入到图像到图像的转换模型中，从而形成用于高分辨率视网膜图像合成的端到端框架。作者强调添加标签label图会带来全局更真实的合成效果，并在合成数据上训练的肿瘤检测模型验证了他们的合成PET图像，获得了与在真实数据上训练的模型媲美的结果。他们认为当标记数据稀缺时，合成数据是有益的。现有的工作表明，DCGAN可用于合成逼真的前列腺病变斑块（Kitchen和Seah，2017年），视网膜图像（Schlegl，2017）或肺癌结节（Chuquicusma，2018）。

2023-12-20 11:14:41 1096

原创常被误解的DCGAN

近年来，通过卷积网络（CNN）进行监督学习的方法已在计算机视觉应用中得到了广泛采用。相比之下，CNN的无监督学习受到的关注较少。在这项工作中，我们希望帮助缩小CNN在监督学习与无监督学习之间的差距。我们介绍一种遵循着一些网络结构设计约束的深度卷积生成对抗网络（DCGAN），并证明它是无监督学习的强大候选者。在各种图像数据集上的训练结果令人信服，即深度卷积生成器和判别器都学习到了从对象局部到场景的特征层次结构。此外，我们将学习到的特征用于新颖的任务——这更进一步展示了其作为通用图像特征表示的适用性。

2023-12-20 11:00:20 778

原创 win10环境安装keras_contrib

原文链接：https://blog.csdn.net/zhao527254253/article/details/120140883。版权声明：本文为CSDN博主「狮心丶」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。然后又兴冲冲的使用pip install git+…，结果还是失败（估计是因为被墙了，所以使用git下载失败）；然而中途出现了bug，pip包出现问题。随后找了很多博客终于将pip重新修复。为此，写本博客解决该问题。完成了git的安装。

2023-12-20 09:03:44 384

原创 Pycharm中pip创建虚拟环境

在下图序号1位置输入pandas，（当然可以根据自己的需求检索任何库），在序号2位置选中检索出来的pandas，最后在序号3位置处点击Install Package ，即可完成安装。在环境路径下找到对应的解释器 F:\process_data\polar_curve\SelectData_exe\Select_env\ + Scripts\python.exe。ok确定后跳到如下界面，可以点击下图中“+”对该虚拟环境新增python 库，可以根据自己的程序需求新增库，下图以新增pandas库为例。

2023-12-19 22:05:16 507

原创零基础-python-pycharm-中文版

进入settings页面后点击Plugins，搜索框搜索Chinese，选择如图所示的插件（Chinese(Simplifed)Language)原文链接：https://blog.csdn.net/tianhai12/article/details/120055989。这里也可以选择第一个All releases下载其他版本，这里我就选择最新版本的3.9.7啦。点击Install Now后安装就完成了，在开始菜单栏会看到python的IDLE等。下载路径设自己的路径哦，建议千万不要下到C盘。

2023-12-19 17:12:52 336

原创 CT医学图像的预处理（重采样）

原始图像的size*对应的Spacing既可以得到真实3D图像大小（512*0.78125，512*0.78125，247*1 ），在图像重采样只是修改体素的大小，而真实3D图像大小是保持不变的，因此假设我们将Spacing修改成(1.0, 1.0, 2.0)的时候，则修改之后其对应的size应该为（（512*0.78125）/ 1.0，（512*0.78125）/ 1.0，（247*1 ）/ 2.0）即（400, 400, 124）。同时，由于量纲的存在，使用不同的量纲、距离的计算结果会不同。

2023-12-18 17:08:22 523 3

原创医学图像数据读取及预处理方法总结

基于深度学习做医学图像数据分析，例如病灶检测、肿瘤或者器官分割等任务，第一步就是要对数据有一个大概的认识。但是我刚刚入门医学图像分割的时候，很迷茫不知道自己该干啥，不知道需要准备哪些知识，慢慢到现在才建立了一个简陋的知识体系。而第一点是进行第二点的必要条件，因为你需要了解输入到DL网络中的到底是长啥样的数据。这篇文章主要介绍常见的医学图像读取方式和预处理方法。

2023-12-18 16:58:52 417

原创 CT设置的窗宽窗位-对比度、亮度

又如，我们常发现临床具有典型的脑梗死症状和体征，但用常规窗宽、窗位观察却未能发现病灶，改用高窗位（+50HU左右），低窗宽（80HU左右）观察，梗死灶往往就能比较清楚地衬托出来，因为发病时间在48h以内的脑梗死，病变区的密度仅略低于邻近的正常脑质，CT值一般在+30HU左右，低窗宽时，80/16=5，这样病灶与正常组织之间的CT值就能对比出来。骨窗为窗宽800 Hu~2 000 Hu,窗位250 Hu~500 Hu,骨的CT值多在1 000 Hu左右,肌肉为40 Hu左右,脂肪多为-50 Hu以下。

2023-12-18 16:54:33 1385

原创 CT检查的分类

三维CT是通过普通CT扫描后获得容积数据，经过计算机软件进行多种图像后处理，获得新的显示方式，以供观察和分析。这些经过重建的图像能够从多角度、多方位的观察，更加逼真、清晰。因此，可以为临床医生的诊断、治疗带来了极大的方便；CT血管成像和CT增强有相似之处，都要通过外周静脉打入造影剂，区别在于目的不同，血管成像最终主要显示的是直径比较大的动脉或静脉，因显示的目的不同，所以CT血管造影成像和CT增强在注射的流量、速度上是有区别的。增强CT就是要加强CT的密度，通过外周静脉打入CT专用的造影剂，一般是碘造影剂；

2023-12-18 16:53:02 390 1

原创将多个文件夹中的图像合并到一个文件中

如果是 JPG 文件，则处理文件名。# 构建输出文件的完整路径。# 如果文件已存在，则在文件名末尾添加一个数字。# 构建输入文件的完整路径。# 创建目标文件夹（如果不存在）# 遍历输入文件夹中的所有文件。

2023-12-18 16:36:40 456 1

原创 Pytorch的CNN实现MNIST分类

x.view(-1, 4) 这里-1表示一个不确定的数，就是如果不确定想要reshape成几行，但是你很肯定要reshape成4列，那不确定的地方就可以写成-1。# transpose 转置函数(x=0,y=1,z=2),新的x是原来的y轴大小，新的y是原来的z轴大小，新的z是原来的x大小。train=True,# 确定为训练集。# ----------检验一个batch的分类情况----------- ## ---------输出一个batch的图片和标签--------- #

2023-12-16 13:42:13 359 1

原创 ValueError: optimizer got an empty parameter list.

这样的例子有，__init__对象构造函数，或__call__ --- 它使得一个对象可以被调用(神奇方法)。最好避免在自己的程序中使用以双下划线（"dunders"）开头和结尾的名称，以避免与将来Python语言的变化产生冲突。ValueError:optimizer got an empty parameter list基本都跟__init__()及其里面的代码有关，比如下划线打错了、init拼错了、没有super、没在__init__函数内定义网络等。双前导和末尾下划线：__var__

2023-12-15 23:13:07 817

原创 to.device的用法

两个方法都可以达到同样的效果，在pytorch中，即使是有GPU的机器，它也不会自动使用GPU，而是需要在程序中显示指定。这种方法不被提倡，而建议使用model.to(device)的方式，这样可以显示指定需要使用的计算资源，特别是有多个GPU的情况下。首先，在做高维特征运算的时候，采用GPU无疑是比用CPU效率更高，如果两个数据中一个加了.cuda()或者.to(device)，而另外一个没有加，就会造成类型不匹配而报错。3. .cuda()和.to(device)的效果一样吗？

2023-12-15 22:45:21 473

原创解决pytorch报错:RuntimeError: DataLoader worker (pid(s) , , , ) exited unexpectedly

后来看到一个帖子说，报错里面有一句是说“if __name__ == '__main__':”的用途，即报错里面出现这个就是希望你封装你的运行代码在这个函数里（虽然不知道具体是为什么，但大概明白要做这个封装，捂脸），后来看了一些帖子，最后实在没办法就在包和模块导入的下面，即运行代码的上面加了这句代码，不过！一定要注意加完后下方运行代码的缩进！看了网上好多说这个报错是数据堵塞或者线程开的太多xxxxx之类原因，要设置downloader的num_worker为0。，也有相同的问题的朋友也可以看看～

2023-12-15 22:26:36 638

原创 Num_workers是加载数据（batch）的线程数目

dataloader一次性创建num_worker个worker，（也可以说dataloader一次性创建num_worker个工作进程，worker也是普通的工作进程），2. num_workers = 1表示只有一个worker进程用来加载batch数据，而主进程是不参与数据加载的。5. 最好的办法是缓慢增加num_workers，直到训练速度不再提高，就停止增加num_workers的值。将指定batch分配给指定worker，worker将它负责的batch加载进RAM。

2023-12-15 21:56:37 1108

原创吴恩达—卷积神经网络（CNN）学习笔记（四）——迁移学习 & 数据增强

而对于冻结这样的操作，在代码中的实现取决于我们使用的深度学习框架，例如在pytorch框架下可以使用以下代码对网络的前9层进行冻结。当然，当我们有相对较多的数据样本时，也可以选择冻结更少的层，一般来说按从深到浅的顺序“解冻”。简单来说，规律就是你拥有的数据样本越多，你需要冻结的层数就越少，你能够训练的层数就越多。第二周的学习至此也结束了，总结来说这周课程的内容开始更多地偏向于实际应用了，尤其是迁移学习和数据增强的方法可以很有效地解决计算机视觉领域样本数据不足的问题。下载下来，也就是网络中的参数。

2023-12-15 20:36:52 643

原创吴恩达—卷积神经网络（CNN）学习笔记（三）——经典案例介绍

从这个经典的CNN案例中我们又可以看到随网络深度增加， nHn_{H} 、 nWn_{W} 逐渐减小而 nCn_{C} 逐渐增大的趋势，这种趋势在很多有效的CNN案例中都有体现，所以我们在设计CNN架构时同样可以采取这样的方式。图中的卷积层CONV都是用3×3大小的卷积核做步幅为1、Padding类型为Same的运算，池化层POOL都是用2×2大小的过滤器做步幅为2的最大池化。但是由于所用的卷积层和池化层在结构上是固定的，所以此网络没有那么多的超参数，这是一种只需要专注于构建卷积层的网络。

2023-12-15 20:35:50 390

原创吴恩达—卷积神经网络（CNN）学习笔记（二）

这个过程可以看作一个2×2的过滤器以2为步幅在原图像上滑动，所以这样的最大池化的超参数就定义为f=2，s=2，之前的公式 [�+2�−��+1] 依然可以用来计算池化输出的大小，不过要注意的是，在池化中通常不设置padding值，即p=0。一个32×32×3的图像经过如下卷积层得到一个28×28×6的图像，在这个卷积层中，我们需要训练的参数有3×5×5×6=4。以最大池化为例，我们将一个4×4的原图像分割为4个2×2的子区域，每个子区域中提取最大值即可。，只是为了将三维图像信息输入其后的全连接层。

2023-12-15 20:23:00 297

原创吴恩达—卷积神经网络（CNN）学习笔记（一）

nH[i]n_{H}^{[i]} ,nW[i]n_{W}^{[i]} ,nC[i]n_{C}^{[i]}分别是每层图像的高、宽、通道数（原图像i=0），f[i+1], s[i+1], p[i+1]分别是作用于第i层图像的卷积核的边长、卷积步幅、Padding值，同时卷积核的个数决定了第i+1层图像的通道数nC[i+1]n_{C}^{[i+1]}。通常情况下，随着卷积层深度的增加，图像的长宽逐渐减小，而通道数逐渐增大。

2023-12-15 20:17:56 821

原创 Python:dcm批量转jpg

import pydicom #用于读取DICOM(DCOM)文件。# import scipy.misc #用imageio替代。# if i==300: #转换300张。# 将图像数据类型转换为 uint8。#imgway_2为jpg文件夹。#imgway_1为源文件夹。

2023-12-08 10:07:47 686

原创肺部肿瘤检测数据集汇总

LUNA16肺部肿瘤检测最常用的数据集之一，包含888个CT图像，1084个肿瘤，图像质量和肿瘤大小的范围比较理想。每一张CT图像size不同(z * x * y，x y z 分别为行列切片数，譬如272x512x512为512x512大小切片，一共272张。比较好理解，肺部是3维立体的，所以以z轴每隔一定步长(spacing)扫描一次，就得到这样的数据)。每个CT有不同的肿瘤数，annotation标注为x,y,z,size，x,y,z定位肿瘤中心位置，size代表肿瘤的大小。

2023-12-07 11:01:11 1837 1

原创 LUNA16数据集

由于标注的时候是四位专家一起标注，有些结节只有一位专家标注，有些有两位，最好的情况是四位都标注了，根据这个规则，分别有2290，1602，1186，777个结节由至少1，2，3，4位专家标注，LUNA16选取至少由三位专家标注的。最终的评比准则是0.125，0.25，0.5，1，2，4，8七个点召回率的平均值，论文中还提到bootstrap的方法，就是对测试集的每个CT进行重采样，最终就是有的CT可能出现多次，而有的CT可能没有，然后将采样得到的CT的候选区集合起来，计算FROC。

2023-12-07 10:55:14 1343 1

原创 STN 代码（Spatial Transformer Networks）

在神经网络中，偏置项是模型的可学习参数之一，用于在激活函数之前添加一个常数偏移。# 这个向量的前两个元素是a和b，中间两个元素是c和d，最后两个元素是tx和ty。# a 和 d 是缩放因子，b 和 c 是旋转因子，tx 和 ty 是平移因子。# 在这个特定的矩阵中，它被初始化为一个单位矩阵，即无缩放、无旋转、无平移。# 定义一个初始值为 [1, 0, 0, 0, 1, 0] 的偏置项.将创建一个输出特征映射，该输出特征映射是输入特征映射的仿射变换。请注意，对输入的每个通道进行相同的采样。

2023-12-07 09:08:20 494 1

原创 Word公式与段落文字对齐

我们在用MathType或者Axmath等公式编辑器在Word中输入公式时，如果将公式插入到段落文字中，或者是输入公式让其自成一行时，经常会遇到插入的公式和段落文字不能对齐的情况，公式经常会偏高或者偏低。这时需完成两步操作，即可将公式与段落文字对齐。

2023-12-05 15:55:17 537

原创 GAN+自建数据集

X_train = np.expand_dims(X_train, axis=-1) # 添加通道维度。img = img / 255.0 # 将像素值缩放到 [0, 1]

2023-12-05 15:28:45 454

原创 DCGAN+自建数据集

dcgan.train(epochs=4000, batch_size=32, save_interval=50) # save_interval是跑多少次batch进行一次日志记录。X_train = np.expand_dims(X_train, axis=-1) # 添加通道维度。img = img / 255.0 # 将像素值缩放到 [0, 1]

2023-12-05 09:57:36 299

原创 pip install cv2报错

规则就是：pip install 库名 -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com。版权声明：本文为CSDN博主「yyyyzzzllll」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/yzl_007/article/details/120476375。将cv2更改为opencv-python。这个也可以用于解决一些其他库的安装错误。

2023-12-05 09:50:49 405

原创 conda创建、查看、删除虚拟环境

n env-name是设置新建环境的名字，list of package是可选项，选择要为该环境安装的包。conda list命令用于查看conda下的包，而conda env list命令可以用来查看conda创建的所有虚拟环境。由于python是不向后兼容的，分开环境可以避免语法版本不一引起的错误，同时这也可以避免工具包安装与调用的混乱。如果我们没有指定安装python的版本，conda会安装我们最初安装conda时所装的那个版本的python。通过克隆来复制一个环境。你可以指定一个其他的路径；

2023-12-05 09:34:23 943 1

weixin_47414581的博客