<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Titus_1996的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Titus_1996</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Titus_1996]]></copyright><item><title><![CDATA[积分图像（The Integral Image）]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/122624734</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/122624734</guid><author>Titus_1996</author><pubDate>Fri, 21 Jan 2022 17:18:26 +0800</pubDate><description><![CDATA[什么是积分图像？为什么可以加速目标检测？

积分图像的想法很巧妙，这个链接讲得很好，就不重复了。结论就是：


The Integral Image plays a big role in reducing the amount of time and processing power required to calculate and evaluate hundreds of thousands of features in real-time. It’s clever shortcuts like th]]></description><category></category></item><item><title><![CDATA[我的TCSVT投稿经历，共勉！]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/115788904</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/115788904</guid><author>Titus_1996</author><pubDate>Sat, 17 Apr 2021 10:53:25 +0800</pubDate><description><![CDATA[临近毕业，回顾三年的硕士阶段的学习，感慨良多。实验室中，有人抱怨，有人期待早日离开，进快入职。我心中充满着感激和充实，这种心情来自于硕士期间的成果。


TCSVT的这篇文章是我研二写的第二篇SCI论文，第一篇是研一写的，当时投的IEEE Acess(很多人觉得这是水刊，作为我的处女作，导师的意思是让我试试水，找点信心。然而第一次全英文写作也并不容易，投稿也几经波折)。第三篇文章年初就完成了，拟投SCI 2区，暂且不谈。


TCSVT这篇文章从第一次投稿到录用，跨度8个月，历经拒稿重投、大修、小修，接收四]]></description><category></category></item><item><title><![CDATA[雨，孩子和巨人]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/114896229</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/114896229</guid><author>Titus_1996</author><pubDate>Tue, 16 Mar 2021 19:34:25 +0800</pubDate><description><![CDATA[窗外的树枝下垂

我不知道

它来自雨

还是遥远的思潮

披着雨衣的孩子

低着头

心拣路走

那样子就像

在银河

脚踩星球的巨人
]]></description><category></category></item><item><title><![CDATA[在下雨的天气]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/114895877</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/114895877</guid><author>Titus_1996</author><pubDate>Tue, 16 Mar 2021 19:29:26 +0800</pubDate><description><![CDATA[在下雨的天气

丢掉科研的严谨

作诗的人

忘掉理性和逻辑

所感受到的

就从笔尖流出来

像如注的雨

义无反顾地俯冲向大地

那是上帝的诗篇

在大地上写下

按自己的旨意挥洒

人人抱怨或欣赏

总有他的理由

能读懂的也不必是诗人

绝不像雪花

矫情 在空中千回百转

最终融化在浪漫人的掌心
...]]></description><category></category></item><item><title><![CDATA[【解决方案】Pytorch训练中止，报错Segmentation fault(core dumped)，此后多卡利用率很低]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/112059289</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/112059289</guid><author>Titus_1996</author><pubDate>Fri, 01 Jan 2021 12:18:36 +0800</pubDate><description><![CDATA[问题描述

1.我使用三块卡，分别是，1，2，5号，进行三个对比实验。昨天还是可以运行比较快的，今早发现程序中止，报错:Segmentation fault(core dumped) 我按照网上的解决方法，将stack size设为unlimited
2.我后来重新运行，发现三块卡的程序都训练很慢，而且以每0.5秒查看利用率发现虽然三块内存都占用较多，可利用率不是同时都高，甚至大多数时间都是为零，如三张图所示。



解决方案

针对问题1，我搜索Segmentation fault(core dumped]]></description><category></category></item><item><title><![CDATA[Latex插入图片报错，解决方案亲测有效！]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/109468432</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/109468432</guid><author>Titus_1996</author><pubDate>Tue, 03 Nov 2020 14:27:14 +0800</pubDate><description><![CDATA[在论文写作中使用Latex排版出现的图片插入错误：

LaTeX Error: Cannot determine size of graphic in Figures/overall-framework.pdf (no BoundingBox)

原因：我使用的是pdfLatex编译器，而此前不小心在构建时选择了dvi-&gt;pdf链。后来看到一个博主说：dvi输出不支持读取png图片大小（我的论文中有pdf和png格式的图片）才恍然大悟！感谢博主江湖小妞（https://www.cnblogs.com/]]></description><category></category></item><item><title><![CDATA[【文献阅读笔记之去模糊系列】Blind motion deblurring using optical flow]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/108991302</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/108991302</guid><author>Titus_1996</author><pubDate>Sat, 10 Oct 2020 11:00:08 +0800</pubDate><description><![CDATA[此文是对文章的笔记，也嵌入了自己在做去模糊工作的一些思考。共勉！

引言

图像去模糊是一个low-level的视觉问题，但是对于改善图像质量从而提高视觉感受，提高其他目标检测等计算机视觉任务的效果也有重要意义。图像模糊分为相机抖动模糊，目标运动模糊，失焦模糊。前两者统称为运动模糊，即由于拍摄对象与成像设备之间在曝光时间内存在相对运动形成的图像质量退化。这也是本文重点关注的。

一般图像模糊的退化可以建模为清晰图像与点扩散函数（Point Spread Function, PSF）或模糊核（blur ker]]></description><category></category></item><item><title><![CDATA[深度学习在医学图像配准中的应用]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/108378617</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/108378617</guid><author>Titus_1996</author><pubDate>Thu, 03 Sep 2020 11:16:50 +0800</pubDate><description><![CDATA[根据模型,策略函数,以及流行度分为7类




	Deep similarity-based methods
	
传统的基于像素的图像度量方法对于图像对具有相似分布的情况是work很好的. 但是图像质量本身不好,比如超声图像,就使得传统的相似度度量在单模态的图像中表现很差. 互信息被用于多模态之间的相似度. correlation ratio-based MI, contextual conditioned MI, modality independent neighborhood descriptor .]]></description><category></category></item><item><title><![CDATA[医学成像分类及DICOM格式简介]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/108378475</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/108378475</guid><author>Titus_1996</author><pubDate>Thu, 03 Sep 2020 11:06:58 +0800</pubDate><description><![CDATA[医疗成像分类


	X-ray：有辐射，看骨头很清楚，但看不见软骨
	
	
	UltroaSound
	
	
	Megnetic Resonance：看软组织很清楚
	
	
	Radionuclide
	



			Non-x-ray based
			
			
			UltroaSound, MRI
			
		
			x-ray based
			
			
			Radiography,Mammography
			
		
			Radionuclide
			
			
			gamma came..]]></description><category></category></item><item><title><![CDATA[【笔记】医学图像配准综述（2014年以前）]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/108000317</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/108000317</guid><author>Titus_1996</author><pubDate>Fri, 14 Aug 2020 11:05:40 +0800</pubDate><description><![CDATA[本博文是阅读几篇医学图像配准综述的笔记，主要是2014年前。本博文也按照模型，策略，算法三个层面总结医学图像配准的相关内容。内容繁多，故用大纲形式以做概览，不涉及具体，详见参考文献[1]。另外，之后会推出另外一篇博文，关于深度学习技术，如CNN,GAN等在医学配准任务中的相关工作。]]></description><category></category></item><item><title><![CDATA[机器学习-SVM笔记(结合《统计学习方法》与B站白板推导)]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/107912594</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/107912594</guid><author>Titus_1996</author><pubDate>Mon, 10 Aug 2020 14:37:01 +0800</pubDate><description><![CDATA[1. 纵览
SVM与感知机的区别

间隔最大
由于第一个区别，感知机决策超平面不唯一，SVM的决策超平面唯一
核函数使其具有非线性


SVM三宝：间隔、对偶、核技巧
SVM区别于感知机最大的特点就是间隔最大化，核函数归根结底，也是使得当训练数据线性不可分时，将输入空间映射到高维特征空间。在高维空间，数据更加具有可分性，因此使得间隔最大成为可能。通过核函数学习非线性支持向量机的方法，叫做核技巧
纯粹的判别模型，与概率无关。

SVM分为三种

hard-margin SVM
soft-margin SVM
]]></description><category></category></item><item><title><![CDATA[最优化理论与算法-ADMM的先导知识]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/105683315</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/105683315</guid><author>Titus_1996</author><pubDate>Wed, 22 Apr 2020 17:36:56 +0800</pubDate><description><![CDATA[ADMM结合了对偶更新和拉格朗日乘子的优缺点。
对偶问题
以凸等式约束优化问题为例：
目标函数：min⁡f(x)\min{f(x)}minf(x)  subjectsubjectsubject tototo Ax=bAx=bAx=b
那么它的拉格朗日函数为：L(x,λ)=f(x)+λ(Ax−b)L(x, \lambda)=f(x)+\lambda(Ax-b)L(x,λ)=f(x)+λ(Ax−b)
...]]></description><category></category></item><item><title><![CDATA[最优化理论3-牛顿法]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/105410398</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/105410398</guid><author>Titus_1996</author><pubDate>Thu, 09 Apr 2020 17:08:27 +0800</pubDate><description><![CDATA[回顾
在讲解牛顿法之前我们先回顾一下最速梯度下降法，泰勒展开与Hessian矩阵之间的关系。
泰勒展开
对于一元函数f(x)f(x)f(x)，在xxx处的泰勒展开为：
f(x+σ)=f(x)+f′(x)σ+12f′′(x)σ2+......f(x+\sigma)=f(x)+{f}'(x)\sigma+\frac{1}{2}{f}''(x)\sigma^2+......f(x+σ)=f(x)+f′(...]]></description><category></category></item><item><title><![CDATA[最优化理论-2-梯度下降法]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/105346346</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/105346346</guid><author>Titus_1996</author><pubDate>Mon, 06 Apr 2020 17:26:18 +0800</pubDate><description><![CDATA[梯度法分类

上升与下降方向
大家应该都听过最陡梯度下降法。首先，“陡”与方向有关，既然是最陡，就存在不那么“陡”的方向。在介绍最陡梯度下降法之前，先了解一下下降方向。这个时候高中学的地理知识可发挥用场了，“等高线”可以刻画一座山的大概海拔高度。在这里，等高线的中心，那个最高的地方，就是我们所要的最优值。
我们如果要最快到达山顶，肯定是当前位置与山顶的连线方向距离最短。在现实生活中，如果是一座很高...]]></description><category></category></item><item><title><![CDATA[最优化理论-线搜法(Line Search Methods)]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/105345411</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/105345411</guid><author>Titus_1996</author><pubDate>Mon, 06 Apr 2020 16:36:07 +0800</pubDate><description><![CDATA[分类

准确的线搜法：迭代次数确定。如二分法，插值法，黄金分割法，etc.
非准确的线搜法：在一阶优化中用得较多，用于确定学习率（步长）。


二分法
如下图，反复交替确定上下界，终止条件是最终经过kkk次迭代后的上下界之间的距离小于预设的比较小的值：(12)k(˙xU−xL)⩽ϵ(\frac{1}{2})^k \dot (x_U-x_L) \leqslant \epsilon(21​)k(˙​x...]]></description><category></category></item><item><title><![CDATA[理解ADMM, ALF和Split Bregman]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/105296174</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/105296174</guid><author>Titus_1996</author><pubDate>Fri, 03 Apr 2020 20:39:05 +0800</pubDate><description><![CDATA[理解ADMM, ALM和Split Bergman引言Alternating Direction Method of MultipliersAugmented Lagrangian Multipliers小结Splitt Bregman
引言
在图像去模糊，低光照图像增强和去噪等任务时，我们都会引入各种先验或约束项来缓解这些t逆问题（inverse problems）的病态性（ill-posedn...]]></description><category></category></item><item><title><![CDATA[GVFS-WARNING **: can't init metadata tree /　/home/admin/.local/share/gvfs-metadata/home: open: 权限不够]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/103882594</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/103882594</guid><author>Titus_1996</author><pubDate>Tue, 07 Jan 2020 22:04:38 +0800</pubDate><description><![CDATA[最近在学习网络架构搜索(NAS)，想把搜索出来的网络结构显示出来，但是报错：


(evince:199136): GVFS-WARNING **: can't init metadata tree /home/e509/.local/share/gvfs-metadata/home: open: 权限不够

** (evince:199136): WARNING **: 设置文件元数据出错：无法...]]></description><category></category></item><item><title><![CDATA[线性回归3：正则化-岭回归]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/101030655</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/101030655</guid><author>Titus_1996</author><pubDate>Thu, 19 Sep 2019 17:58:50 +0800</pubDate><description><![CDATA[过拟合解决办法：


	加数据
	
	
	特征选择/特征提取（比如PCA）
	
	
	正则化
	
正则化框架：



常用的有两种范数:



L1正则是不存在解析解的，我们能求L2范数的目标函数：



所以w为：



对目标函数求导，令其导数为0：



得w估计：



与最小二乘估计对比：




...]]></description><category></category></item><item><title><![CDATA[线性回归2：最小二乘法概率视角]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/101025268</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/101025268</guid><author>Titus_1996</author><pubDate>Thu, 19 Sep 2019 15:48:29 +0800</pubDate><description><![CDATA[在线性回归1：最小二乘法及其几何意义这篇文章中我们给出了最小二乘估计的损失函数并推出了其闭合解，最后从几何角度推出了与解析法同样的结果。

现在我们从概率的视角理解最小二乘法。



先列出前面的结论：







对于样本来说，由于具有噪声，不可能使得拟合误差为零。我们假设噪声是服从高斯分布的：



因此，y可以写为：

进一步： 

因此，y的分布可以写为：



使用最大似然估计法...]]></description><category></category></item><item><title><![CDATA[线性回归1：最小二乘法及其几何意义]]></title><link>https://blog.youkuaiyun.com/Titus_1996/article/details/101021632</link><guid>https://blog.youkuaiyun.com/Titus_1996/article/details/101021632</guid><author>Titus_1996</author><pubDate>Thu, 19 Sep 2019 14:25:29 +0800</pubDate><description><![CDATA[一 最小二乘法法

假设我们有以下样本点：





假设我们要拟合的直线为：





因此要拟合的直线可简化为：





我们期望每个样本点与所要拟合的直线距离最小。因此，应该对所有样本点与拟合直线上的点的误差之和最小，得最小二乘估计如下：



连加符号便于表示，但不好计算啊，为了求闭合解，要用矩阵和向量表示，因此将其展开，写成向量相乘的形式得：



接下来就是本科的线性代数知识了。观察...]]></description><category></category></item></channel></rss>