- 博客(17)
- 收藏
- 关注
RSS订阅原创 【大模型】论文解读《 OMG-Seg : Is One Model Good Enough For All Segmentation》
语义分割任务旨在将图像中的每个像素分配到特定的语义类别，实例分割任务旨在将图像中的每个物体实例分割为单独的掩码，全景分割任务是语义分割和实例分割的统一，包括可数的物体类别和不可数的背景类别。具体而言，一个对象查询对应一个掩码mi，标签ci，IDdi，根据不同的任务设置，mi,di的格式和范围是不同的。然而，mi,ci,di的格式和范围是相似的，因此，将所有这些任务放入一个共享的编码器和解码器框架中，并对所有分割任务进行共同训练是自然而然的。不同的部分包括用于图像和视频分割的共享掩码解码器和视觉提示编码器。
2024-05-13 16:07:12
909
2
原创 【领域泛化】论文解读《ALOFT: A Lightweight MLP-like Architecture with Dynamic Low-frequency Transform for Doma》
文中提出了一种动态的低频频谱变换方法，包括两个变体E,S，分别通过元素和统计量对分布进行建模。需要注意的是，两个变体都用高斯分布来建模不同样本中低频频谱的分析，但也可以使用其他分布，例如均匀吩咐来估计分布。在实验分析中发现，高斯分布能够产生多样的数据变体从而提高模型性能，（本论文中有类似方法的引用）直接修改空间与中的统计量，可能扰乱语义特征并对分类任务产生负面影响。本文方法将表示转换为频率空间，并进扰动低频部分，技能生成具有多样风格的特征，又能保留语义特征。
2024-05-13 16:04:50
621
原创 【自监督学习】《 Improving out-of-distribution generalization via multi-task self-supervised pretraining 》
实验一：自监督学习（SSL）与完全监督学习对比。
2023-12-26 19:36:05
863
原创 【自监督学习】论文解读《 Self-Supervised Learning Across Domains 》
自主学习可以发现不变量和规律性，从而有助于归纳总结在本文中，模型以有监督的方式来学习语义标签，并通过在同一图像上学习自监督信号来拓宽对数据的理解。次要任务有助于网络专注物体形状，学习空间方位和部分相关性等概念，同时充当多个视觉领域分类任务的正则化器。
2023-12-26 19:32:42
1850
原创 【自监督学习】《混合特征：增强视觉特征学习的前置任务自监督学习法》
主要提出一种基于Mixup特征来学习视觉表示，这些特征作为更高级语义特征的代理。基于Mixup特征作为预训练任务的新型自监督学习方法。通过预测掩蔽图像的Mixup特征来学习视觉表示。具体的，通过Mixup特征作为自监督学习的预测目标的有效性。通过Mixup操作设置超参数λ，创建Sobel边缘特征图、HOG特征图和LBP特征图和成对组合。采用视觉变换器为骨干网络，借鉴掩蔽自编码器(MAE)的思想。Mixup:一种数据增广策略。通过对输入数据进行简单的线性变换（即。
2023-12-26 15:09:34
916
原创 【自监督学习】MAE论文解读《 Masked Autoencoders Are Scalable Vision Learners 》
提出可扩展的自监督学习方法。MAE有两个核心设计，一是采用一种非对称的编码器-解码器架构，编码器仅对可见的图像区域进行操作，轻量级的解码器从潜在表示和遮罩标记区域重构原始图像。二是发现高比例的图像遮罩可以产生一个有意义且非平凡的自监督任务。MAE（遮罩自编码器）的思想是一种更通用的去噪自编码器。
2023-12-26 14:39:28
1241
原创 【自监督学习】《 Representation Recovering for Self-Supervised Pre-training on Medical Images 》
MAE主要恢复粗略的高层语义信息在实验中发现MAE直接应用在下游任务（多器官分割）中并不理想，本文提出RepRec，这是一个混合的视觉表示学习的框架，用于大规模无标签医学数据集上进行自监督预训练，充分利用对比学习和生成建模的优势。为解决MAE遇到的问题，预训练了一个卷积编码器以对比的方式提供低层特征信息，并训练了一个Transformer编码器以生成的方式高层语义依赖，通过卷积编码器中恢复掩蔽表示。
2023-12-26 14:37:44
803
原创 【领域泛化】《 Generalizing from Several Related Classification Tasks to a New Unlabeled Sample》
主要问题，给定多个来自相似分布的有标签训练数据集的情况下，对一个未标记的测试数据集进行分类。针对该问题提出一种无分布假设、基于核的方法。这种方法涉及识别一个适当的再生核希尔伯特空间，并在该空间上优化一个正则化的经验风险。本文提出泛化误差分析，描述了通用核，并建立了所提方法的通用一致性。再生核希尔伯特空间（RKHS）：一种函数空间，具有特定的核函数和内积空间。在RKHS中，每个点对应一个函数，这些函数可以通过核函数来计算它们的内积。核函数是一个对称的正定函数，可度量函数之间俺的相似性。
2023-11-15 16:02:45
64
原创 【迁移学习】论文解读《 iDAG: Invariant DAG Searching for Domain Generalization 》
通过将A的转置与v的元素逐元素相乘，可以选择性的将父节点的信息传递给第i个因子。即，通过将邻接矩阵的逐元素平方作为指数矩阵的指数，可以计算矩阵的指数迹，并减去（d+1）的值（对于一个有向无环图的邻接矩阵，指数迹的求和结果为d个1的和，将指数迹的值减去（d+1）是为了与无环图进行区分，去报在指数迹为零时，得到的是一个有向无环图）。对于重构误差项，计算每个瓶颈特征元素zi，与其对应的函数gi的输出之间的L2范数（欧氏距离），并将所有瓶颈元素的重构误差累加求和（L2范数衡量了重构特征和真实特征之间的距离）；
2023-11-07 14:17:52
187
原创 【C语言管理系统】 医院住院病人信息管理系统
C语言小系统：住院病人信息管理系统功能：功能有三个分区：管理员，医生，病人管理员权限：1.病人、医生、药品信息的录入；2.通过病人身份证号，病床号，科室来查找病人；3.通过科室，编号来查找医生；4.可以通过药品名称来查找药品；5.通过病人入院时间来显示病人信息；6.修改，删除录入的各种信息；医生权限：1.通过科室、身份证号、病床号查找病人；2.添加医嘱；3.添加病人所需药品；4.修改药品及医嘱；5.查看病人不良反应；病人权限：1.查看个人信
2022-04-03 17:12:09
6207
6
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