<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[maly_Sunshine的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/maly_Sunshine</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; maly_Sunshine]]></copyright><item><title><![CDATA[论文之Unrolled Optimization with Deep Priors 深先验展开优化]]></title><link>https://blog.youkuaiyun.com/maly_Sunshine/article/details/124121168</link><guid>https://blog.youkuaiyun.com/maly_Sunshine/article/details/124121168</guid><author>maly_Sunshine</author><pubDate>Wed, 13 Apr 2022 00:10:58 +0800</pubDate><description><![CDATA[文章链接-1705.08041.pdf (arxiv.org)

摘要：计算成像、传感和低级计算机视觉的核心问题是从已知物理成像模型下的测量中提取遵循先验分布的潜影的逆问题。传统上，手工构建的先验知识和迭代优化方法被用来解决此类问题。在本文中，我们提出了深先验展开优化，这是一个受经典迭代方法启发，将图像形成知识注入解决成像逆问题的深网络的原则框架。我们发现，对于各种各样的成像问题，例如去噪、去模糊和压缩感知磁共振成像（MRI），该框架的性能远远优于最新技术。此外，我们还进行了实验，解释了如何最好地使用该框架]]></description><category></category></item><item><title><![CDATA[论文之生成对抗U-Net]]></title><link>https://blog.youkuaiyun.com/maly_Sunshine/article/details/123350461</link><guid>https://blog.youkuaiyun.com/maly_Sunshine/article/details/123350461</guid><author>maly_Sunshine</author><pubDate>Tue, 08 Mar 2022 22:22:20 +0800</pubDate><description><![CDATA[[1] Chen X , Li Y , Yao L , et al. Generative Adversarial U-Net for Domain-free Medical Image Augmentation[J]. arXiv:2101.04793v1, 2021.

用于自由域医学图像增强的生成对抗U-Net

摘要：

医学图像标注的不足是医学图像计算领域面临的最大挑战之一。如果没有足够的训练样本，基于深度学习的模型很可能会出现过度拟合问题。常见的解决方案是图像预处理，如图像旋转、裁剪或调整大小。]]></description><category></category></item><item><title><![CDATA[深度学习之空洞卷积(Dilated/Atrous Convolution)]]></title><link>https://blog.youkuaiyun.com/maly_Sunshine/article/details/123259779</link><guid>https://blog.youkuaiyun.com/maly_Sunshine/article/details/123259779</guid><author>maly_Sunshine</author><pubDate>Thu, 03 Mar 2022 21:30:50 +0800</pubDate><description><![CDATA[空洞卷积Convolution with holes 是在标准的卷积映射（convolution map）里注入空洞，以此来增加感受野（reception field），捕获多尺度上下文信息。

空洞卷积实际卷积核大小K：

K=k+(k-1)(r-1)

k为原始卷积核大小;

r(dilation rate)为空洞卷积参数空洞率---kernel的间隔数量，标准卷积r=1。当r=2时，3×3卷积核尺寸扩大为3+(3-1)*(2-1)=5,即5×5；r=4,扩大为9...]]></description><category></category></item><item><title><![CDATA[学习率调整之stepLR]]></title><link>https://blog.youkuaiyun.com/maly_Sunshine/article/details/123225799</link><guid>https://blog.youkuaiyun.com/maly_Sunshine/article/details/123225799</guid><author>maly_Sunshine</author><pubDate>Wed, 02 Mar 2022 11:41:36 +0800</pubDate><description><![CDATA[在PyTorch的torch.optim包提供了非常多的可实现参数自动优化的类（SGD、Adam..）及学习率调整的类lr_scheduler

class torch.optim.lr_scheduler.stepLR(optimizer, step_size,gamma=0.1,last_epoch=-1)

参数：

optimizer ---要更新学习率的优化器

step_size --- 每经step_size个epoch,更新一次学习率lr

gamma --- 更新lr的乘法因子

last]]></description><category></category></item><item><title><![CDATA[损失函数之NLLLoss和CrossEntropyLoss]]></title><link>https://blog.youkuaiyun.com/maly_Sunshine/article/details/121184685</link><guid>https://blog.youkuaiyun.com/maly_Sunshine/article/details/121184685</guid><author>maly_Sunshine</author><pubDate>Sat, 06 Nov 2021 20:53:41 +0800</pubDate><description><![CDATA[import torch
import torch.nn as nn

input = torch.randn(3, 3)# 理解为每一行对应一张图片（????????????3分类，所以是3行3列）
target = torch.tensor([0, 2, 1])# 真实标签
sm = nn.Softmax(dim=1)# 转化为0~1之间，概率
loss = nn.NLLLoss()
# 注意此处需要将类实例化，不可直接写为nn.NLLL...]]></description><category></category></item></channel></rss>