m0_68570046的博客

原创 Making Convolutional Networks Shift-Invariant Again笔记

当输入发生微小平移时，密集特征图中的峰值位置会相应移动，但下采样的固定采样点却可能“错过”原来的峰值，转而采到一个完全不同的值。抗锯齿滤波可以完美集成并提升性能：通过在“密集特征提取”和“朴素下采样”之间插入固定低通滤波器（抗锯齿），不仅能恢复平移等变性，还能意外提高分类准确率和增强对各类扰动的鲁棒性（噪声、模糊、缩放、旋转等）。现代卷积网络对输入平移高度敏感：常用的下采样层（最大池化、步长卷积、平均池化）未遵循奈奎斯特采样定理，在降采样前缺少低通滤波，导致高频混叠，破坏平移等变性/不变性。

原创 Selective Kernel Networks笔记

猫/人眼的视觉皮层神经元有个特点：感受野大小不是固定的，会根据刺激内容自适应调整（比如低对比度刺激→感受野变大）。受视觉皮层神经元"感受野大小受刺激调制"这一神经科学发现启发，SK 是第一个在 CNN 中让每个神经元根据输入内容动态选择感受野大小的通用构建模块。当输入目标物体放大时，低层和中层 SK 单元的神经元确实会自动提高大卷积核（5×5）的注意力权重，证明感受野大小随刺激内容动态调整。就是怎么说呢，2个不同卷积核的特征图，对应通道，通过权重，根据比例相加起来？然后，把这2个特征图加起来。

原创 It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal笔记

因为相位剥离了忽明忽暗的亮度干扰，只保留了物体的“纯净骨架”。与其让卷积核在图像上盲目扫描，完全可以借鉴 WDAM 的思路：先利用小波或傅里叶变换将 MRI 图像的高频扫描伪影剥离出来，生成一张“伪影排斥掩码”，再去引导深层网络聚焦于真实的肿瘤边界和水肿区域。)和当前帧的频域图上的每个点，逐元素相乘，在复数域中，一个相位乘以另一个相位的共轭，等价于计算它们的“相位角之差”。处理对象是多帧，有频闪的，比如有三帧，第一帧眼被挡住了，第二帧嘴被挡住了，第三帧脖子被挡住了，通过这三帧互补，从而去掉这些频闪。

原创 Bracketing Image Restoration and Enhancement with High-Low Frequency Decomposition笔记

然而，尽管近期的前沿框架（如TMRNet）尝试将去噪、超分和HDR等任务纳入统一的处理管线，但它们在面对具有显著物理差异的退化特征时，却依然采用“一刀切”的同质网络结构进行暴力提取，完全忽视了不同退化特性的异质性。正是基于这一痛点，本文提出了极具开创性的HLNet架构，其核心意义在于揭示并利用了“不同退化类型对高低频信息存在天然偏好”的物理直觉：去噪与去模糊高度依赖用于重建局部边缘和纹理的高频特征，而超分辨率与多帧HDR则更需要用于恢复全局结构和轮廓的低频信息。理念创新：提出“因材施教”的频域解耦架构。

原创 ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks笔记

两大核心创新点 (Core Innovations)1. 架构破局：抛弃降维，捍卫“直接对应关系”痛点： 传统的 SENet 为了控制全连接层的参数量，强行使用降维（压缩再放大），这彻底破坏了通道与其自身权重之间的直接对应关系。是卷积核的大小，在深度学习里，卷积核大小必须是奇数（Odd number），比如 3, 5, 7，这样它才有一个绝对的“中心点”来进行对称填充（Padding）。对于通道注意力来说，这种“先降维找大局，再升维生成掩码”的做法太重了，且缺乏通道间的交互。

原创 ConDSeg: A General Medical Image Segmentation Framework via Contrast-Driven Feature Enhancement笔记

进入到论文的 Stage 2，给它装上豪华的 SID（语义解耦）模块、CDFA（特征融合）模块和 SA-Decoder（尺寸感知解码器），最终拼装成了那个吊打全场的完全体模型 ConDSeg。它打破了传统网络“非黑即白”的强行分类逻辑，首次将“不确定性（Uncertainty）”作为一种独立的物理状态提取出来并加以对抗消灭，成功解决了恶劣临床环境下（如超声、皮肤镜）病灶“软边界（Soft boundaries）”导致的分割精度低、细粒度信息丢失的问题，并在多个公开数据集上达到了 SOTA（当前最优）水平。

原创 Coordinate Attention for Efficient Mobile Network Design笔记

物理效果：它不像 GAP 那样把空间信息“砸碎”，而是像扫描仪一样，在聚合一个维度的同时，将另一个维度的精确位置信息“锁定”在特征向量里。将 2D 空间权重分解为两个 1D 向量的乘积，不仅减少了计算开销，还天然地起到了一种“特征解耦”的作用，使模型能分别在 X 轴和 Y 轴上进行语义建模。在算力受限的情况下，单纯增加通道数或深度边际效应递减，而引入精确的坐标信息能以极小的代价换取巨大的性能提升，特别是在语义分割等需要“像素级定位”的任务中。整个 X 轴（宽度方向）被压缩了，但 Y 轴的坐标（高度。

原创 CBAM: Convolutional Block Attention Module笔记

跨通道压缩的空间雷达（Cross-Channel Spatial Attention）：打破了常规的池化思维，沿着通道维度进行池化操作（将多层通道压缩成两层薄饼），并引入了极其宽广的。只采用了类似全局平均（AvgPool）的特征编码，那些极其微弱但致命的“恶性肿瘤边缘特征”，瞬间就会被大面积的正常皮肤/组织背景给稀释掉。” 将混杂的特征图显式地剥离为“通道（Channel）”和“空间（Spatial）”两个独立模块，并采用“先通道、后空间”的串联流水线，不仅计算开销极小，还能达到最优的特征重标定效果。

原创 Squeeze-and-Excitation Networks笔记

对这句话的理解是，随着层数加深，原本清晰的原始信号经过多次复杂的数学运算（矩阵乘法、ReLU 激活），可能会变得越来越模糊。一张照片里，既可以有清晰的猫脸（对应某些通道），也可以有明亮的阳光（对应另一些通道），它们都很重要，都需要被放大。假设通道 A 提取的是“猫耳朵”，通道 B 提取的是“毛发纹理”，通道 C 提取的是“水波纹”。论文证明了，与其盲目地加深网络层数（像 ResNet 那样），不如花极小的计算代价，给现有的特征图加上一套“动态打分机制”，让网络学会“看人下菜碟”，这能带来巨大的性能收益。

原创 claude自用笔记记录

MCP 让 Claude 能够与外部服务/工具进行交互。

原创 残差块学习笔记

当cnn的层数多起来后，会让第一层收到的梯度强度变大。模型不会因为梯度太大而突然“发疯”，直接跳出最优解的范围。残差块通过把梯度控制在合理的量级，让模型能够跑完训练。模型能更顺利地找到 Loss 的最小值，也就是。同样的任务，ResNet 可能跑 10 轮就收敛了，而普通网络可能需要跑 100 轮（而且中间可能还会崩掉）。

原创 CNN学习

利用一个滑动窗口（卷积核）在图片上移动，计算窗口内像素与卷积核权重的乘积之和，用以捕捉局部特征（如边缘、纹理）。卷积后生成的新图片（特征图）在坐标处的值。你可以理解为：这是侦探扫描完这一小块区域后得出的“结论得分”。这是两个求和符号。意思是我们要把。这是里的像素值。表示当前扫描窗口覆盖的那一小块区域。这是（也叫滤镜/权重）。它是模型学习到的核心。比如，如果它是一个“横线滤镜”，那么它的数值排列就像一条横线。这是一个常数，就像调色时的“底色”。即使前面算出来是 0，加上偏置也可以微调最后的结果。

原创 Agent核心组件

单个功能模块，比如查天气等。每个工具专注做一件事。

原创 docker在windows下安装记录

设置成 wsl --set-default-version 2。用管理员模式打开powershell。点击启用或关闭Windows功能。运行 wsl --install。

原创 Variational Quantum Eigensolver笔记

使用JAX作为数值计算后端设置为CPU模式运行启用64位浮点数精度（量子化学计算需要高精度）使用PennyLane的直接下载H₂分子的预计算数据。

原创 Quantum transfer learning学习笔记

作用：在所有量子比特上施加哈达玛门，创建叠加态作用：每个量子比特绕Y轴旋转特定角度（参数w可训练）for i in range(0, nqubits - 1, 2): # 偶数索引for i in range(1, nqubits - 1, 2): # 奇数索引假设我们有6个量子比特（nqubits = 6），索引为：0, 1, 2, 3, 4, 5i = 0→ 量子比特0控制量子比特1i = 2→ 量子比特2控制量子比特3i = 4→ 量子比特4控制量子比特5。

原创 基于PyTorch实现的MNIST手写数字识别神经网络笔记

如果启用dry_run模式，在第一次打印日志后就跳出训练循环。输出形状：32×26×26（32个通道，每个26×26）输出形状：64×24×24（64个通道，每个24×24）输出形状：64×12×12（64个通道，每个12×12）[[True], # 样本1：预测2 == 真实2。[True]] # 样本2：预测1 == 真实1。：输出10个数字类别的原始得分（logits）：当前批次的索引（0, 1, 2, ...）：卷积核大小（3x3的小窗口在图片上滑动）

原创 linux上安装minconda

链接: https://pan.baidu.com/s/1ejFKJMP7gcGixIsES_gnPw?pwd=pks9 提取码: pks9。下载minconda，然后传到linux里。通过网盘分享的文件：资料(1)，这样会自动配置环境变量。

原创 pycharm用ssh连接服务器

左边是用户名，右边是主机。

原创 随机过程笔记

若,称事件相互独立。若。

原创 遇到的数学知识补充

方差在数学上定义为。

原创 结构阅读法

文字材料——结构、关键词、时间、标点。

原创 YOLOv5-入门篇笔记

去pytorch.org下载1.8.2的版本。github上下载yolov5的zip通过网盘分享的文件：yolov5链接: https://pan.baidu.com/s/1oigw2mPo9uVoX4hWXmiGWA?pwd=npue 提取码: npue安装jupyter安装标注工具。

原创 安装linux下的idea

链接: https://pan.baidu.com/s/1kHHkW3DB3z3a6CG0qnMkWA?pwd=gg3f 提取码: gg3f。通过网盘分享的文件：idea旗下所有产品.txt。

原创 idea安装

原创 统计术语学习

作为的时期称为，而的称为。描述时我们称之为和。【例 1】2017 年比 2016 年第三产业 GDP 增长 6.8%， （2016）为基期，（2017） 为现期；【例 2】2016 年 6 月比 2016 年 5 月人均工资增加 203 元，（2016.5） 为基期，（2016.6） 为现期。【例 3】2012 年末全国就业人员 76704 万人，比上年末增加 284 万人。现期为 （ 2012末），基期为（ 2011末）。

原创 java配置

原创 终端运行java出现？？？

1.检查是否系统区域设置冲突（控制面板 → 区域 → 管理 → 更改系统区域设置 → 勾选。或手动修改默认代码页为 65001。（Windows 10/11 支持）。是 UTF-8 的代码页编号。右键点击终端标题栏 →。

原创 flask学习(1)

变成这样访问是因为@app.route变了。methods方法决定访问的方式，如果有GET可以直接跳转。

原创 计算机视觉基础

图像的最小构成单元，每个像素存储亮度或颜色信息。：每个像素是的标量值（8位无符号整数）。：每个像素是三维向量，包含三个通道的值，每个通道范围也是 0~255。对于灰度图像channels为1。对于彩色图像channels为3。

原创 常用激活函数和损失函数学习

PyTorch深度学习实战（4）——常用激活函数和损失函数详解_深度学习的集中损失函数和激活函数-优快云博客

原创 使用PyTorch构建神经网络笔记

在 GPU 上训练 50 个 epoch（共 4 个样本，batch_size=2，每个 epoch 2 次迭代），速度非常快。hidden_to_output_layer.weight (形状 [1,8])input_to_hidden_layer.weight (形状 [8,2])是一个未初始化的线性层，输入特征数为2，输出特征数为7，默认启用偏置（输入特征数：2，输出特征数：8（隐藏层神经元数）。输出层：1 个神经元（回归任务，无激活函数）。计算梯度（计算量大，内存要求高）。

原创 安装jupyter notebook

【代码】安装jupyter notebook。

原创 PyTorch基础笔记

张量可以是标量（0D）、向量（1D）、矩阵（2D）或更高维的数据（3D+）。标记张量，PyTorch 会跟踪其操作以计算梯度。：可以存储在 CPU 或 GPU 上（通过。：支持多种数据类型（如。

原创 神经网络与模型训练过程笔记

人工神经网络，一种受生物神经元启发的监督学习算法。输入数据通过网络中的，激活特定神经元。函数复杂度越高，模型对数据的，预测精度越高。

原创 HTML+CSS+JS(1)

在conda环境下安装Node.js，然后用npm安装live-server。在本地vscode上运行html文件，会有提示端口，然后打开就行。先在服务器上安装Node.js。

原创 有用的学习网站

https://github.com/labmlai/annotated_deep_learning_paper_implementations?tab=readme-ov-fileBest Python Chart ExamplesPaper Digest – AI-Powered Research PlatformConnected Papers | Find and explore academic papersAbout | GoodAIhttps://quillbot.com/welcome?ut

原创 利用VScode连接远程服务器后进行代码调试

安装了conda的话，可以在右下角调整虚拟环境。资源管理器里打开工程文件。

原创 Anaconda-Windows-x86_64安装

通过网盘分享的文件：资料(1)链接: https://pan.baidu.com/s/1MAenYzcQ436MlKbIYQidoQ 提取码: evu6。

原创 vscode终端运行windows服务器的conda出错

远程windows服务器可以运行，本地vscode不能。