h1239757443的博客

U-Net++:​ 一种基于嵌套和密集跳跃连接的新分割体系结构，这种设计的跳跃连接降低编码和解码子网络的特征图之间的间隙，这个分割体系结构基于这样的假设：当将来自编码器网络的高分辨率特征图与来自解码器网络的对应语义丰富的特征图进行融合之前，逐渐丰富模型时，该模型可以有效的捕捉到前景对象的细粒度细节，当来自解码器和编码器网络的特征映射在语义上相似时，网络将处理更容易的学习任务。基于U-net改进的一种网络其改进思路如下：1.为什么降到X(4,0)才开始上采样对于不同深度的U-net表

Dice系数、IOU1.Dice系数集合相似度度量的函数，通常用于计算两个样本的相似度，范围为【0，1】1.1Dice系数与IOU的关系蓝色部分为TP(真阳性)，红色部分为FN（假阴性），黄色部分为FP（假阳性）Dice=2TP2TP+FP+FN=2∣X∩Y∣∣X∣+∣Y∣Dice = \frac{2TP}{2TP+FP+FN} = \frac{2|X\cap Y|}{|X|+|Y|}Dice=2TP+FP+FN2TP​=∣X∣+∣Y∣2∣X∩Y∣​IoU=TPTP+FP+FN=∣X∩Y∣

Pytorch中Variable变量1.它是一个可以变化的变量，符合反向传播和参数更新的属性，而tensor不能反向传播pytorch中的tensor就像鸡蛋，Variable就像装鸡蛋的篮子import torchfrom torch.autograd import Variable # torch 中 Variable 模块tensor = torch.FloatTensor([[1,2],[3,4]])# 把鸡蛋放到篮子里, requires_grad是参不参与误差反向传播, 要不要计算梯

一、pytorch线性模型的建立pytorch构建模型一般分为四块：1、数据集准备；2、设计模型；3、构建loss函数和优化器；4、训练1.准备数据在后面讲2.构造模型 (源自于nn.Module)class LinearModel(torch.nn.Module): # 在构建模型时必须有__init__()和forward() def __init__(self): # 调用父类的构造，必须要有 super(LinearModel,self)._

Pytorch学习笔记（1）1.神经网络基础：1.1 关系拟合（回归）：import torchimport torch.nn.functional as Fimport matplotlib.pyplot as plt#Torch只能处理二维的数据#torch.unsqueeze与squezee的区别：#torch.squeeze() 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度#torch.unsqueeze()这个函数主要是对数据维度进行扩充。给指定位置加上维数为一的维度

https://blog.youkuaiyun.com/songyuc/article/details/103295416?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522159646017219725222416099%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=159646017219725222416099&b

1.LAB颜色空间：L分量用于表示像素的亮度，取值范围为[0,100]，表示从纯黑到纯白；a表示从红色到绿色的范围，取值范围是[127，-128]；b表示从黄色到蓝色的范围，取值范围是[127，-128]2.RGBRBG颜色的表示语法是（Red, Green, Blue）， 因此各种颜色的标识值可以由公式计算得：65536Blue+256Green+Red。各个分量的数值越小，亮度越低；数值越大，亮度越高。（0,0,0）为黑色；（255,255,255）为白色。3.LAB与RGB区别在RGB的

DenseNet在学习论文Fully Convolutional DenseNets for Polyp Segmentation in Colonoscopy时对Densenet进行一些总结：ResNet与DenseNet的区别：相比ResNet，DenseNet提出了一个更激进的密集连接机制：即互相连接所有的层，具体来说就是每个层都会接受其前面所有层作为其额外的输入ResNet是每个层与前面的某层（一般是2~3层）短路连接在一起，连接方式是通过元素级相加（element-wise add

superpixels(超像素）1.理解：超像素不是在普通的像素基础上继续微观细分，超像素是一系列像素的集合，这些像素具有类似的颜色、纹理等特征，距离也比较近。其中超像素比较常用的一种方法是SLICSemantic Segmentation（语义分割）：把图像中每个像素赋予一个类别标签（比如汽车、建筑、地面、天空等），比如把图像分为了草地（浅绿）、人（红色）、树木（深绿）、天空（蓝色）等标签，用不同的颜色来表示。Instance Segmentation（实例分割）：有点类似于物体检测，不过物体检

tensorflow基础1.计算图 session tensortensor1.定义两个tensorflow下的数a,b，称之为tensor。a = tf.constant(32)b = tf.constant(10)2.通过加法将两个数生成一个新的数c。c = tf.add(a,b)以上是构造图。在构建整个计算图的过程中，如果我们打印其中的tensor,python运行结果会报错，这是因为tensorflow将tensor作为节点保存，没有具体的值。要运行节点，

jaccard index又称为jaccard similarity coefficient用于比较有限样本集之间的相似性和差异性。主要应用场景：比较文本的相似度，用于文本的查重与去重计算对象间的距离，用于数据聚类用于衡量有限样本集之间的相似程度jaccard距离公式：jaccard系数取值范围[0,1]当A==B时，jaccard系数为1；当A与B不相交，jaccard系数为0jaccard距离表示样本或集合的不相似程度，jaccard距离越大，样本相似度越低。故jaccard距离用于

查准率(Precision)，又叫准确率，缩写表示用P。查准率是针对我们预测结果而言的，它表示的是预测为正的样例中有多少是真正的正样例。P=TP/(TP+FP)查全率(Recall)，又叫召回率，缩写表示用R。查全率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确。R=TP/(TP+FN)...

U-net是一种编码器-解码器结构。编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度。编码器和解码器之间通常存在快捷连接，因此能帮助解码器更好地修复目标的细节。U-Net 是这种方法中最常用的结构。蓝色代表卷积和激活函数, 绿色代表复制, 红色代表下采样, 黄色代表上采样然后在卷积,conv1X1代表核为1X1的卷积操作，这个网络没有全连接，只有卷积和下采样，这也是一个端到端的图像, 即输入是一幅图像, 输出也是一副图像。上采样和下采样的卷积核都是3X3,进行pooling的时候采用m

（1）阿里云 http://mirrors.aliyun.com/pypi/simple/（2）豆瓣http://pypi.douban.com/simple/（3）清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/（4）中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/（5）华中科技大学http://pypi.hustunique.com/安装时使用这个命令安装需要包：pip install XXX -i