<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Turbo_Come的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Turbo_Come</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Turbo_Come]]></copyright><item><title><![CDATA[FDFS传输文件错误]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/110004358</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/110004358</guid><author>Turbo_Come</author><pubDate>Mon, 23 Nov 2020 18:32:43 +0800</pubDate><description><![CDATA[错误信息：



com.github.tobato.fastdfs.exception.FdfsConnectException: 无法获取服务端连接资源

com.github.tobato.fastdfs.exception.FdfsServerException: 错误码：2，错误信息：找不到节点或文件



解决：

1. 防火墙的问题

要关闭虚拟机的 防火墙

查看防火墙状态

firewall-cmd --state



关闭防火墙： systemctl stop firew...]]></description><category></category></item><item><title><![CDATA[Clinically Applicable AI System for Accurate Diagnosis, Quantitative Measurements...论文总结]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107326059</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107326059</guid><author>Turbo_Come</author><pubDate>Mon, 13 Jul 2020 21:51:25 +0800</pubDate><description><![CDATA[Clinically Applicable AI System for Accurate Diagnosis, Quantitative Measurements, and Prognosis of COVID-19 Pneumonia Using Computed Tomography



要解决的问题：

季节性流感也会引起病毒性肺炎，将NCP（新冠肺炎）与普通流感或其他类型的肺炎（比如病毒性肺炎和细菌性肺炎）区分开具有重要意义。

普通的核算检测只能确定是否是NCP，但在前期，快速和低成本的确定病.]]></description><category></category></item><item><title><![CDATA[A Generalized Deep Learning Approach for Evaluating Secondary Pulmonary Tuberculosis...论文总结]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107326029</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107326029</guid><author>Turbo_Come</author><pubDate>Mon, 13 Jul 2020 21:49:47 +0800</pubDate><description><![CDATA[A Generalized Deep Learning Approach for Evaluating Secondary Pulmonary Tuberculosis on Chest Computed Tomography



要解决的问题：

结核型肺炎 Pulmonary TuberculosisPTB and 非结核型肺炎non-tuberculous(non-TB )的差异是大的，但依靠临床和放射科来判断肺结核的疾病类型仍然很困难，成本高，速度慢。因此，如何应用深度学习技术审核CT图...]]></description><category></category></item><item><title><![CDATA[Prediction of Multidrug-Resistant TB from CT Pulmonary Images Based on Deep Learning Techniques论文总结]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107325979</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107325979</guid><author>Turbo_Come</author><pubDate>Mon, 13 Jul 2020 21:47:00 +0800</pubDate><description><![CDATA[Prediction of Multidrug-Resistant TB from CT Pulmonary Images Based on Deep Learning Techniques



解决的问题：

TB（肺结核）疾病可分为drug-sensitive （DS）和multidrug-resistant (MDR) ，为了发现病人TB所属于的类型，传统的方法是进行复杂的微生物培养菌实验，将持续几个月的时间。因此如何快速，准确的确定TB的所属类型有着重要的意义。

通过CT图像来进行临床分析诊断.]]></description><category></category></item><item><title><![CDATA[基础目标检测算法CNN、RCNN、Fast RCNN、Faster RCNN]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107238463</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107238463</guid><author>Turbo_Come</author><pubDate>Thu, 09 Jul 2020 21:43:03 +0800</pubDate><description><![CDATA[基础目标检测算法介绍：

CNN、RCNN、Fast RCNN和Faster RCNN

1.CNN：（问题：输入尺寸固定）

对于普通的CNN网络，由于输入图片中的物体可能有不同的长宽比，空间位置。

目标物体可能占据图片的大部分，也可能是一小部分，目标物体的形状也可能不同。

在目标检测时，就需要将图片分割成多个区域，以检测此区域内的物体（为了将各个物体分离开），这就需要大量算力。

为解决这一问题，减少区域的分割，引入基于区域的CNN，它可以进行区域的选择。



2.RCNN：

SPP：Spa..]]></description><category></category></item><item><title><![CDATA[Self-Supervised Scene De-occlusion（2020CVPR 港中文）论文解读]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107216259</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107216259</guid><author>Turbo_Come</author><pubDate>Wed, 08 Jul 2020 22:02:11 +0800</pubDate><description><![CDATA[Self-Supervised Scene De-occlusion（2020CVPR 港中文）



1.要解决的问题：

Natural scene understanding 是一个具有挑战的任务，特别是当多个物体因前后顺序位置而产生遮挡时。有些时候需要去分析每个独立的物体，恢复其被遮掩的部分。

在instance segmentation 的数据集中，像 COCO、KITTI、LVIS 这些。里面并没有遮挡关系和 amodal mask 的标注，所以有监督学习的思路是无法解决上述问题的。
...]]></description><category></category></item><item><title><![CDATA[自监督学习（SSL）简介]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107215605</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107215605</guid><author>Turbo_Come</author><pubDate>Wed, 08 Jul 2020 21:45:27 +0800</pubDate><description><![CDATA[首先了解一下自监督学习与监督学习、非监督学习的关系：





自监督学习（SSL）是指：

从数据本身产生某种形式的标签并训练神经网络，来解决某些特定任务或学习通用的图像、视频、语言的特征表达。

自监督学习属于无监督学习，其典型的pipeline是给出unlabeled data并设计一个CNN architecture，需要设计一个自监督的proxy task，从图像本身中找出标签，再解决这个task。

在这个过程中CNN可以学到很多东西，并可以transfer到一个目标的任务上，其中最重要的是如.]]></description><category></category></item><item><title><![CDATA[Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation论文解读]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107192809</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107192809</guid><author>Turbo_Come</author><pubDate>Tue, 07 Jul 2020 23:02:39 +0800</pubDate><description><![CDATA[（CVPR 2020｜中科院VIPL实验室）

1.要解决的问题：

基于类别标签的弱监督语义分割是一个具有挑战性的问题，类别响应图（class activation map，简称CAM）始终是这一领域的基础方法。但是由于强监督与弱监督信号之间存在差异，由类别标签生成的CAM无法很好地贴合物体边界，因为在data/label同时做数据增强时，不同的rescale 后，弱监督的分割中可能会丢失一些信息，CAM会受到较大影响。

（CAM: 类别响应图，根据图像中的不同类别，来为图像中的不同物体打分，一般是前.]]></description><category></category></item><item><title><![CDATA[python_基本语法_3]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107097097</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107097097</guid><author>Turbo_Come</author><pubDate>Fri, 03 Jul 2020 01:22:34 +0800</pubDate><description><![CDATA["""
迭代器：
使用迭代方法的好处：

1.可节省内存空间

2.会从容器里面挨个取值，直到取完为止
"""

class YourRange():
    def __init__ (self, start, end):
        self.value = start
        self.end = end

    def __iter__(self):
        return self

    def __next__(self):
        if self.value..]]></description><category></category></item><item><title><![CDATA[python_基本语法学习_2]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107074528</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107074528</guid><author>Turbo_Come</author><pubDate>Wed, 01 Jul 2020 23:36:11 +0800</pubDate><description><![CDATA[# 枚举
s = ['a', 'b', 'c']
for i, v in enumerate(s):
    print(i, v)

# 创建迭代器
class TestIter():
    def __init__(self,lst):
        self.lst = lst
    def __iter__(self):
        print('__iter__ is called')
        return iter(self.lst)

# t = TestIter()
t..]]></description><category></category></item><item><title><![CDATA[python_基本语法学习_1]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/107074385</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/107074385</guid><author>Turbo_Come</author><pubDate>Wed, 01 Jul 2020 23:32:43 +0800</pubDate><description><![CDATA[# 十进制 --》 二进制
bin(10)
# 8进制
oct(10)
#十六进制
hex(10)

dic = {}
dic = {'a': 1, 'b': 2}

dic = dict(zip(['a', 'b'], [1,2]))
dic = dict([('a',1),('b',2)])
# Out:  {'a': 1, 'b': 1}




# 切片    range(start, stop, step)
a = [1,4,2,3,1]
my_slice = slice(0,5,2) # 1..]]></description><category></category></item><item><title><![CDATA[二分查找类算法题]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/106227533</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/106227533</guid><author>Turbo_Come</author><pubDate>Wed, 20 May 2020 08:18:13 +0800</pubDate><description><![CDATA[二分查找基本模版：



def two_find(nums, target ,l ,r):
    if l&gt;r: return False
    m = (l+r)//2
    if nums[m]==target:
        return True
    elif nums[m] &lt; target:
        return two_find(nums, target, m+1, r)
    elif nums[m] &gt; target:
     ...]]></description><category></category></item><item><title><![CDATA[动态规划类-算法（python）]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/106174212</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/106174212</guid><author>Turbo_Come</author><pubDate>Sun, 17 May 2020 14:37:35 +0800</pubDate><description><![CDATA[零钱兑换I / 零钱兑换II ：https://blog.youkuaiyun.com/Turbo_Come/article/details/106174128



打家劫舍/最长上升子序列 ：https://blog.youkuaiyun.com/Turbo_Come/article/details/106174080



解码方法：https://mp.youkuaiyun.com/console/editor/html/106173890



爬楼梯：https://mp.youkuaiyun.com/console/edi...]]></description><category></category></item><item><title><![CDATA[动态规划-零钱兑换]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/106174128</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/106174128</guid><author>Turbo_Come</author><pubDate>Sun, 17 May 2020 14:31:11 +0800</pubDate><description><![CDATA[322. 零钱兑换


给定不同面额的硬币 coins 和一个总金额 amount。编写一个函数来计算可以凑成总金额所需的最少的硬币个数。
如果没有任何一种硬币组合能组成总金额，返回-1。
示例1:
输入: coins = [1, 2, 5], amount = 11
输出: 3
解释: 11 = 5 + 5 + 1
示例 2:
输入: coins = [2], amount = 3
输出: -1
说明:
你可以认为每种硬币的数量是无限的。





from typing import List
c...]]></description><category></category></item><item><title><![CDATA[动态规划-打家劫舍/最长上升子序列]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/106174080</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/106174080</guid><author>Turbo_Come</author><pubDate>Sun, 17 May 2020 14:28:29 +0800</pubDate><description><![CDATA[198. 打家劫舍


你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，
影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，
如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。
给定一个代表每个房屋存放金额的非负整数数组，计算你在不触动警报装置的情况下，能够偷窃到的最高金额。
示例 1:
输入: [1,2,3,1]
输出: 4
解释: 偷窃 1 号房屋 (金额 = 1) ，然后偷窃 3 号房屋 (金额 = 3)。
    偷窃到的最高金额 = 1 + 3 = 4 。
示.]]></description><category></category></item><item><title><![CDATA[动态规划-解码方法]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/106173890</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/106173890</guid><author>Turbo_Come</author><pubDate>Sun, 17 May 2020 14:16:38 +0800</pubDate><description><![CDATA[91.解码方法


"""
一条包含字母A-Z 的消息通过以下方式进行了编码：

'A' -&gt; 1
'B' -&gt; 2
...
'Z' -&gt; 26
给定一个只包含数字的非空字符串，请计算解码方法的总数。

示例 1:

输入: "12"
输出: 2
解释:它可以解码为 "AB"（1 2）或者 "L"（12）。
示例2:

输入: "226"
输出: 3
解释:它可以解码为 "BZ" (2 26), "VF" (22 6), 或者 "BBF" (2 2 6) 。

#---------...]]></description><category></category></item><item><title><![CDATA[动态规划-爬楼梯]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/106173849</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/106173849</guid><author>Turbo_Come</author><pubDate>Sun, 17 May 2020 14:14:24 +0800</pubDate><description><![CDATA[70 爬楼梯
假设你正在爬楼梯。需要 n阶你才能到达楼顶。
每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？
注意：给定 n 是一个正整数。

示例 1：
输入： 2
输出： 2
解释： 有两种方法可以爬到楼顶。
1. 1 阶 + 1 阶
2. 2 阶
示例 2：
输入： 3
输出： 3
解释： 有三种方法可以爬到楼顶。
1. 1 阶 + 1 阶 + 1 阶
2. 1 阶 + 2 阶
3. 2 阶 + 1 阶

"""
"""
动态规划：
第n个台阶，只可能由第 n-1,n...]]></description><category></category></item><item><title><![CDATA[动态规划-正则表达式匹配]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/106173055</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/106173055</guid><author>Turbo_Come</author><pubDate>Sun, 17 May 2020 13:06:03 +0800</pubDate><description><![CDATA[10 正则表达式匹配https://leetcode-cn.com/problems/regular-expression-matching/


给你一个字符串s和一个字符规律p，请你来实现一个支持 '.'和'*'的正则表达式匹配。
'.' 匹配任意 单个字符
'*' 匹配 零个或多个前面的那一个元素
所谓匹配，是要涵盖整个字符串s的，而不是部分字符串。
说明:
s可能为空，且只包含从a-z的小写字母。
p可能为空，且只包含从a-z的小写字母，以及字符.和*

示例...]]></description><category></category></item><item><title><![CDATA[Pandas数据处理基本命令]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/105850565</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/105850565</guid><author>Turbo_Come</author><pubDate>Wed, 29 Apr 2020 22:35:37 +0800</pubDate><description><![CDATA[读取写入 csv , excel 文件


df = pd.read_csv('abd.csv')
df.to_csv('abd.csv')

df = pad.read_excel('abc')
df.to_excel('abc')

查看数据基本信息


df.head(5)
df.tail(5)
df.columns

df.shape   # (行， 列)
df.index    #...]]></description><category></category></item><item><title><![CDATA[空间变换器网络的简介+实现]]></title><link>https://blog.youkuaiyun.com/Turbo_Come/article/details/105848673</link><guid>https://blog.youkuaiyun.com/Turbo_Come/article/details/105848673</guid><author>Turbo_Come</author><pubDate>Wed, 29 Apr 2020 21:01:19 +0800</pubDate><description><![CDATA[空间变换器网络

是对任何空间变换的差异化关注的概括。空间变换器网络（简称STN）允许神经网
络学习如何在输入图像上执行空间变换， 以增强模型的几何不变性。

例如，它可以裁剪感兴趣的区域，缩放并校正图像的方向。而这可能是一种有用的机制，因为CNN对于旋转和 缩放以及更一
般的仿射变换并不是不变的。



空间变换器网络归结为三个主要组成部分：
本地网络（Localisation Network...]]></description><category></category></item></channel></rss>