maum61的专栏

走捷径用了 skimage.measure.shannon_entropy 这个函数计算图像的信息熵，结果算出来的跟论文中计算的结果相差很大。折腾了好久，总算发现问题了，具体这个函数的计算方法我没深究，但是肯定不是先计算直方图再-sum(pk*log(pk))。因此，在函数里面添加了一句：imagea = np.histogram(image.ravel(), bins=256)[0]然后再按照源代码return scipy_entropy(imagea, base=base)这样，代码

U-Net结构可以说是编码器解码器的融合，结构也很巧妙，综合了几处的形象解释，记录一下使用U-Net的理由：输入输出是相同的，内部可以进行多次降采样、升维（Channel），然后再上采样、降维。实验得出的结论是该结构对噪声不敏感，通过上下的操作，去掉了噪声。一种解释是，下采样可以像PCA那样保留有用信息，去掉高频噪声。另一种解释是，如果不编码再解码，直接多通道CNN，那么有些卷...

今天发现一篇把这三者讲的清清楚楚明明白白的文章，关键是仅仅用了高中的知识，惭愧！附链接：https://www.zhihu.com/question/19734616/answer/349132554说到底就是最熟悉的余弦夹角问题。...