- 博客(58)
- 收藏
- 关注
RSS订阅原创 医学图像多模分割论文列表2
TMI 2020？？图像种类：目标器官：模型目标：关键词：方法：备注：TMI 2021MIA 2020MIA 2021
2022-04-12 20:08:07
3159
原创 BM3D 图像去噪
BM3D图像去噪论文：Image denoising by sparse 3-D transform-domain collaborative filtering代码：python 代码介绍：图像去噪算法：BM3D 加性噪声方程，其中噪声 η\etaη 常常用均值为 0 的高斯噪声近似表示： BM3D去噪算法结合了空间算法非局部去噪方法 Non-local method，和转换算法 transform method。算法主要分两步，每一步又分为三小步：相似块分组、协同滤波和聚合。.
2021-11-30 14:45:46
3262
原创 Shell 基础
基础知识执行命令的步骤：对于内置命令来说，首先识别命令、bash 直接执行后退出，在命令行上输出结果；对于非内置命令，首先识别命令、创建子进程、bash(作为所有进程的父进程)等待子进程退出。执行脚本的步骤：变量...
2021-11-28 22:24:48
487
原创 Uncertainty——ICML 2021、IPMI 2021
1. Uncertainty Principles of Encoding GANs 在实践中证明了三种不确定性原则：a）“完美”编码器和生成器不能同时连续，这意味着当前编码 GAN 的框架不适; b）神经网络不能正常地近似于底层编码器和生成器，无法在以前的理论中获得“完善”的编码器和发电机; c）神经网络不能同时稳定和准确，表明保真度和解耦之间的训练和平衡难度。2. Amortized Conditional Normalized Maximum Likelihood: Reliable Ou
2021-10-20 16:40:49
641
原创 Uncertainty——CVPR 2021
1. Uncertainty Guided Collaborative Training for Weakly Supervised Temporal Action Detection 2. Uncertainty-aware Joint Salient Object and Camouflaged Object Detection3. Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimatio
2021-10-18 16:55:31
3252
1
原创 深度学习推荐系统——结构探索
AFM Attentional Factorization Machines，在 NFM 模型中加入注意力机制，通过加入注意力网络，对不同特征交叉的关注度不同，即在元素积操作中加入注意力得分 aija_{ij}aij，再进行池化。fAtt=∑(i,j)∈Rxaij(vi⊙vj)xixjf_{Att}=\sum_{(i,j) \in R_{x}}a_{ij}(v_{i}\odot v_{j})x_{i}x_{j}fAtt=(i,j)∈Rx∑aij(vi⊙vj)xixjDIN
2021-09-28 15:33:38
167
原创 Uncertainty 相关论文
1. Getting a CLUE: A Method for Explaining Uncertainty Estimates 不确定性估计和可解释性交叉领域的工作，通过提出一种新方法 GLUE 来解释来自可微概率模型（如贝叶斯神经网络 (BNN)）的不确定性估计，指示如何更改输入，同时将其保持在数据流形上，以便 BNN 对输入的预测更有信心（输入数据 OOD 造成的不确定性）。2. Can You Trust Your Model’s Uncertainty? Evaluating Predi
2021-09-28 10:26:32
2337
1
原创 深度学习推荐系统——特征工程
深度学习推荐模型演化方向：1）增加神经网络复杂程度：从最简单的单层神经网络模型 AutoRec，到经典的深度神经网络结构 Deep Crossing，主要的进化方式在于增加了深度神经网络的层数和结构复杂度。2）丰富特征交叉方式：例如改变了用户向量和物品向量互操作方式的 NeuralCF，定义了多种特生向量交叉操作的 PNN 模型。3）组合模型：主要是指 Wide&Deep 模型及其后续变种等，其思路是通过组合两种不同特点、优势互补的深度学习网络，提升模型的综合能力。4）FM 模型的深度学习.
2021-09-22 15:25:54
1003
原创 Linux 笔记 05 存储结构与磁盘划分
文件存储结构 Linux 系统中一切都是文件，一切文件都是从“根（/）”目录开始，并按照文件系统层次化标准（FHS）采用树形结构来存放。 一般的硬盘设备以“/dev/sd”开头，系统采用 a～p 来代表 16 块不同的硬盘（默认从 a 开始分配），硬盘的分区编号，主分区或扩展分区的编号从 1 开始到 4 结束，逻辑分区从编号 5 开始。硬盘设备由大量的扇区组成，每个扇区的容量为512 字节，第一个扇区保存着主引导记录与分区表信息。挂载硬件设备mount 文件系统 挂载目录 用于挂载文件
2021-09-19 16:31:26
163
原创 Linux 笔记 04 用户身份与文件权限
用户和用户组 Linux 中管理员 UID 为 0，系统用户 UID 为 1～999，管理员创建的普通用户 UID 从 1000 开始。可以把多个用户加入到同一个用户组中，从而方便为组中的用户统一规划权限或指定任务。创建每个用户时，将自动创建一个与其同名的基本用户组，一个用户只有一个基本用户组，但是可以有多个扩展用户组。useradd [选项] 用户名 用于创建新的用户，默认的用户家目录会被存放在 /home 中，默认的 Shell 解释器为 /bin/bash。useradd -d /home/
2021-09-17 11:38:31
702
原创 Linux 笔记 03 Vim 编辑器与 Shell 命令脚本
Vim 编辑器命令模式：控制光标移动，可对文本进行复制、粘贴、删除和查找等工作。输入模式：正常的文本录入。末行模式：保存或退出文档，以及设置编辑环境。 a 键与 i 键分别是在光标后面一位和光标当前位置切换到输入模式，而 o 键则是在光标的下面再创建一个空行，此时可敲击 a 键进入到编辑器的输入模式。Shell 脚本 Shell 脚本命令的工作方式有两种：交互式和批处理。交互式用户每输入一条命令就立即执行；批处理由用户事先编写好一个完整的 Shell 脚本，Shell 会一次性执行脚
2021-09-15 10:27:18
262
原创 传统推荐模型
协同过滤算法 从物品相似度和用户相似度角度出发，衍生出物品协同过滤（ItemCF）和用户协同过滤（UserCF），又衍生出矩阵分解模型（Matrix Factorization，MF）。 亚马逊协同过滤论文：Amazon.com recommendations: item-to-item collaborative filteringUserCF1）基于用户对其它商品的历史评价数据，和其他用户对这些商品的历史评价数据，组成共现矩阵（用户为行，商品为列，值为1、0、-1）；2）找到与用户兴趣最相
2021-09-14 12:54:48
262
原创 Linux 笔记 02 管道符、重定向与环境变量
重定向 输入重定向把文件导入到命令中，输出重定向把原本要输出到屏幕的数据信息写入到指定文件中。标准输入重定向（STDIN，文件描述符为 0）：默认从键盘输入，也可从其他文件或命令中输入。标准输出重定向（STDOUT，文件描述符为 1）：默认输出到屏幕。错误输出重定向（STDERR，文件描述符为 2）：默认输出到屏幕。echo "Hello World !" > a.txt # 把命令的输出写入文件ls -l bcd 2> b.txt # 把命令的报错信息写入文件wc -l
2021-09-13 18:53:00
170
原创 Linux 笔记 01 常用命令
Linux 命令的格式：命令名称 [命令参数] [命令对象]常用命令man 查看命令帮助信息echo [字符串 | $变量] 用于在终端输出字符串或变量提取后的值date [选项] [+指定的格式] 用于显示及设置系统的时间或日期，输入以“+”号开头的参数，即可按照指定格式来输出系统的时间或日期。 date "+%Y-%m-%d %H:%M:%S" # 显示系统时间 date -s "20210820 16:03:00" # 设置系统时间reboot、poweroff r
2021-09-10 13:29:21
203
原创 NLP-BERT
Input EmbeddingBert采用两阶段模型，首先是语言模型预训练，其次是使用 Fine-Tuning 模式解决下游任务。BERT 预训练模型分为以下三个步骤：Embedding、Masked LM、Next Sentence Prediction。Embedding 由三种 Embedding 求和而成：Token Embeddings 是词向量，第一个单词是 CLS 标志，可以用于之后的分类任务；Segment Embeddings 用来区别两种句子，因为预训练不光做 LM 还要做以两个
2021-08-10 11:29:35
247
原创 深度学习基础
Deeplab 系列 感受野计算RNN、LSTM 和 GRU梯度消失和梯度爆炸常用 Norm 方法tensorflow 基础pytorch 基础
2021-07-29 10:41:23
706
原创 STL 常用方法
array#include <array>#include <iostream>using namespace std;// 固定大小的顺序容器int main(){ // 构造函数 array<int, 5> a = {1, 2, 3, 4, 5}; array<int, 3 > b; // zero-initialized: {？,？,？} array<int, 3> c = {10,20};
2021-07-27 10:09:36
267
原创 机器学习基础
偏差-方差分解 偏差-方差分解试图堆学习算法的期望泛化错误率进行拆解，把一种学习算法的期望误差分解为三个非负项的和，即样本 noise、bias 和 variance。 对于训练集 D，测试样本 x，y 为其真实标签，yDy_{D}yD 为数据集中的标签，f(x;D)f(x;D)f(x;D) 为学习的 x 的输出。学习算法的期望预测为 ED[f(x;D)]E_{D}[f(x;D)]ED[f(x;D)]。 noise：数据集中的标签和真实标记的差别，是期望误差的下界。ε2=ED[(yD−y)2
2021-07-25 22:07:14
497
原创 排序算法总结
内部/外部排序：内部排序是数据记录在内存中进行排序，而外部排序是因排序的数据很大，一次不能容纳全部的排序记录，在排序过程中需要访问外存。算法的稳定性：假定在待排序的记录序列中，存在多个具有相同的关键字的记录，若经过排序，这些记录的相对次序保持不变，则称这种排序算法是稳定的，否则称为不稳定的。冒泡排序思想：每次遍历不断交换最大值，排在最后一个。void bubble_sort(vector<int> &nums){ for (int i = nums.size()-1..
2021-07-24 16:21:34
122
原创 常用评价指标
FP、FN、TP、TNTP: true positive, 预测是阳性，实际也是正例。TN: true negative, 预测是阴性，实际也是负例。FP: false positive, 预测是阳性，实际是负例。FN: false negative, 预测是阴性，实际是正例。准确率准确率(Accuracy): 模型判断正确的数据 (TP+TN) 占总数据的比例。 Accuracy = (TP+TN)/ALL精确率(Precision) 又称查准率，针对模型判断出的所有正例 (T
2021-07-23 23:18:13
737
原创 NLP-Word2vec
Word2vec 是 Word Embedding 方式之一，将词转化为“可计算”“结构化”的向量， 本质上是一种降维操作。主要包含：CBOW（continuous bag-of-word）模型和 SG（skip-gram）模型，以及hierarchical softmax 和 negative sampling 两种参数优化技术。One-word context通过一个上下文单词（one context word）来预测一个目标单词（one target word）。将单词用 one-hot enc
2021-07-23 09:18:11
241
原创 Python 常用方法
reverse() 和 reversed() 反转reverse()：列表的内置方法，原地修改列表，无参数和返回值。s = [1,2,3,4]s.reverse()print(s)reversed()：python 自带的方法，用于将可迭代对象（列表、元组、字符串）反转，参数为该对象，返回一个反转迭代器，需要通过遍历、序列化或者 next() 等，获取作用后的值。s = [1,2,3,4]it = reversed(s)print(list(s)) # 列表化for x in s: #
2021-07-18 10:26:28
481
原创 并查集-Union-find Sets
用于解决一些元素分组的问题，管理一系列不相交的集合，并支持两种操作：合并（Union）：把两个不相交的集合合并为一个集合。查询（Find）：查询两个元素是否在同一个集合中。思想：用集合中的一个元素代表集合。最开始，对于只有一个元素的集合，代表元素是唯一的那个元素；通过合并操作，得到一个树状的结构，代表元素在根节点上，其它元素指向代表元素；要寻找集合的代表元素，只需要一层一层往上访问父节点，直达树的根节点。路径压缩：尽量使集合中的每个节点的父节点都为根节点，以避免查找时并查集效率低。查找过程会把整个查
2021-07-18 10:02:43
173
原创 C++ 常用方法
memest 初始化、置零、清空extern void *memset(void buffer, int c, size_t count)功能：将已开辟内存空间 buffer 的首 count 个字节的值设为值 cbuffer：为指针或数组c：赋给buffer的值count：buffer的长度// 数组置 0int a[50];memset(a, 0, 50 * sizeof(int));// 字符串初始化char b[100];memset(b, '/0', sizeof(b));
2021-07-17 17:59:39
1378
翻译 [MIA2019-02]Towards cross-modal organ translation and segmentation: A cycle- and shape-consistent
Towards cross-modal organ translation and segmentation: A cycle- and shape-consistent generative adversarial network合成医学图像具有几个重要的应用。例如，它们可用作跨模态图像配准的中介，或用作增强的训练样本以增强分类器的泛化能力。在这项工作中，我们提出了一种通用的跨模态综合方法，其...
2020-03-01 21:47:29
522
翻译 [MIA2019-01]Automatic brain labeling via multi-atlas guided fully convolutional networks
Automatic brain labeling via multi-atlas guided fully convolutional networks传统上，基于多图集的方法首先将多个图集注册到目标图像，然后将标签从标记的图集传播到未标记的目标图像。但是，配准步骤涉及非刚性对齐，这通常很耗时并且可能缺乏高精度。另外，基于补丁的方法在放宽对精确注册的需求方面已显示出希望，但它们通常需要使用手工制...
2020-03-01 18:22:08
507
翻译 [MIA2018-04]3D multi-scale FCN with random modality voxel dropout learning for Intervertebral Disc L
3D multi-scale FCN with random modality voxel dropout learning for Intervertebral Disc Localization and Segmentation from Multi-modality MR Images在这项工作中，我们的目标是开发一种基于全卷积网络（FCN）的自动且准确的方法，用于从多模态 3D MR 数...
2020-03-01 12:04:44
593
翻译 [MIA2018-01]Segmenting Hippocampal Subfields from 3T MRI with Multi-modality Images
Segmenting Hippocampal Subfields from 3T MRI with Multi-modality Images在本文中，我们提出了一种使用 3T 多模态 MR 图像的基于学习的自动海马子场分割方法，包括结构 MRI（T1，T2）和静止状态 fMRI（rs-fMRI）。分别提取外观特征和关系特征以捕获结构 MR 图像中的外观模式以及 rs-fMRI 中的连通性模式。...
2020-03-01 10:30:03
383
翻译 [MIA2013-12]A unified framework for cross-modality multi-atlas segmentation of brain MRI
A unified framework for cross-modality multi-atlas segmentation of brain MRI多图谱标签融合是一种强大的图像分割策略，在医学成像中正变得越来越流行。标准标签融合算法依赖于独立地图集和要分割的（目标）图像之间独立计算的成对配准。然后使用这些配准将地图集标签传播到目标空间，并将其融合为单个最终分割。这样的标签融合方案通常依赖于...
2020-02-29 11:59:57
523
翻译 [TMI2018-03]Cross-Modality Image Synthesis via Weakly Coupled and Geometry Co-Regularized Joint Dict
Cross-Modality Image Synthesis via Weakly Coupled and Geometry Co-Regularized Joint Dictionary Learning多模式医学成像越来越多地用于诊断检查或医学研究的一部分中对复杂疾病的综合评估。不同的成像模式可提供有关活组织的补充信息。但是，由于患者的不适感，成本增加，扫描时间延长和扫描仪不可用等不利因素，...
2020-02-28 18:28:51
360
翻译 [TMI2018-03]Multimodal MR Synthesis via Modality-Invariant Latent Representation
Multimodal MR Synthesis via Modality-Invariant Latent Representation我们提出了一种用于MRI合成的多输入多输出全卷积神经网络模型。该模型对丢失的数据具有鲁棒性，因为它受益于（但不需要）其他输入形式。该模型经过端到端训练，并学会将所有输入模态嵌入到共享的模态不变的潜在空间中。然后将这些潜在表示合并为单个融合表示，然后通过学习的解码...
2020-02-28 15:41:46
757
翻译 [TMI2018-10]Multi-Atlas Segmentation of MR Tumor Brain Images Using Low-Rank Based Image Recovery
Multi-Atlas Segmentation of MR Tumor Brain Images Using Low-Rank Based Image Recovery我们引入了一种针对 MR 肿瘤脑图像的新的多图集分割（MAS）框架。MAS 的基本思想是将来自多个正常脑图集的标签信息注册并融合到一个新的脑图像中进行分割。已经成功地提出了许多 MAS 方法。然而，它们大多数是为正常的脑部图像而...
2020-02-28 15:13:30
770
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