qq_36717487的博客

对于矩阵A(m×n),B(n×m)和C(m×n), 这里A(m×n)表示A是m行乘n列的矩阵。一个for循环是O(n),这里是三个for循环，所以为O(n×m×n)。（ps：个人感觉还是看代码比较好理解，后面三个矩阵乘法时，就会更加体会到）读者也许想不到，制约 Attention 性能的关键因素，其实是定义里边的 Softmax！如果A×B，那么复杂度为O(n×m×n),即O(n^2×m)。对于矩阵A(n×m),B(m×n), 这里A(n×m)表示A是n行乘m列的矩阵。........

一、STL-10数据集原文：The STL-10 dataset is an image recognition dataset for developing unsupervised feature learning, deep learning, self-taught learning algorithms. It is inspired by the CIFAR-10 dataset but with some modifications. In particular, each class h

一、视觉注意力机制视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。图1 人类的视觉注意力图1形象化展示了人类在看到一副图像时是如何高效分配有限的注意力资源的，其中红色区域表明视觉系统更关注的目标，很明显对于图1所示的场景，人们会把注意力更多投入到人的脸部，文本的标题以及文章首句等位置。二、Attention机制的本质思想如

1、一种预测 TUPAC16 挑战的乳腺肿瘤增殖分数的深度学习方法https://github.com/CODAIT/deep-histopath

Awesome-ECCV2020-Low-Level-VisionA Collection of Papers and Codes for ECCV2020 Low Level Vision or Image Reconstruction整理汇总了下今年ECCV图像重建/底层视觉(Low-Level Vision)相关的一些论文，包括超分辨率，图像恢复，去雨，去雾，去模糊，去噪等方向。大家如果觉得有帮助，欢迎star~~2020年ECCV（European Conference on Computer

Awesome-ICCV2021-Low-Level-VisionA Collection of Papers and Codes for ICCV2021 Low Level Vision and Image Generation整理汇总下2021年ICCV中图像生成（Image Generation）和底层视觉(Low-Level Vision)任务相关的论文和代码，包括图像生成，图像编辑，图像风格迁移，图像翻译，图像修复，图像超分及其他底层视觉任务。大家如果觉得有帮助，欢迎star~~参考或转载

Awesome-CVPR2021-Low-Level-Vision整理汇总下今年CVPR图像重建(Image Reconstruction)/底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务。大家如果觉得有帮助，欢迎star~~参考或转载请注明出处CVPR2021官网：http://cvpr2021.thecvf.comCVPR完整论文列表：https://

Awesome-CVPR2020-Low-Level-Vision[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FyX9YiTI-1650081252263)(https://camo.githubusercontent.com/13c4e50d88df7178ae1882a203ed57b641674f94/68747470733a2f2f63646e2e7261776769742e636f6d2f73696e647265736f726875732f617765736f6d

1.PL-L1定量判断通过图灵读片测试对人工智能机器判读出的PD-L1的肿瘤比例分数(TPS，tumor proportion score)进行图灵测试。PD-L1作为2019年两位诺奖获得者所发现的重要的肿瘤标志物，在免疫治疗药物中受到极大的关注，对应PD-1/PD-L1靶点的免疫治疗药物，其疗效也得到了广泛的验证和认可。以PD-1/PD-L1作为免疫检查点抑制剂的伴随诊断检测，其定量难、判读久、结果稳定性差的特点，使得PD-L1的精准判读成为病理医生日常工作当中新的痛点。因此，基于人工智能技术的精准定

1.在线版本的NN-SVG

Batch Normalization1.随机梯度下降法（SGD）对于训练深度网络简单高效，但是它有个毛病，就是需要我们人为的去选择参数，比如学习率、参数初始化、权重衰减系数、Drop out比例等。这些参数的选择对训练结果至关重要，以至于我们很多时间都浪费在这些的调参上。那么使用BN之后，你可以不需要那么刻意的慢慢调整参数。2.BN的地位：与激活函数层、卷积层、全连接层、池化层一样，BN(Batch Normalization)也属于网络的一层。3.BN的本质原理：在网络的每一层输入的时候，又插入了

YOLO系列：one-stage:最核心的优势速度会非常快，适合做实时监测任务。缺点：效果通常情况下不会太好。two-stage:速度通常很慢，但是效果还是很不错的。

前面的文章中，我分享了一些分割挑战赛的例子。今天我会继续分享肺结节检测和良恶性分类挑战赛的例子。希望通过这个例子可以在如何用深度学习来辅助诊断上给大家带来一些启发。整个过程分成三个部分：肺结节数据预处理，肺结节检测和良恶性分类。这一篇主要专注于肺结节数据预处理这一部分。1、Luna16介绍我这里简单介绍一下Luna16。Luna16挑战赛是针对在LIDC/IDRI数据集上，专注于自动结节检测算法的评估。LIDC/IDRI数据集是由四名放射科医生对结节标注的公开数据集。从官网下载全部数据后，文件subs

使用pip 安装模块时read time out问题：      输入命令:               pip --default-timeout=100 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow针对其他软件包

1.肺结节的检测       根据数据的标签是坐标还是掩膜，选取不同的方法。标签是坐标选取目标检测方法，标签是掩膜则选取图像分割算法

1.阿里云–天池数据集https://tianchi.aliyun.com/dataset/?spm=5176.14154004.J_4642415020.16.167b5699EO8yrc

1.Hounsfield单位      不同密度的组织具有不同的衰减系数，CT诊断中为了对不同组织进行区分，将不同密度的各种组织用不同的CT值表示，称为Hounsfield单位(Hu)。      以水为0，空气为-1 000，致密骨为+1 000，这样CT将测得的信号高度精确地数字化，具有了很高的空间和密度分辨力。...

1.model.train()与model.eval()的用法看别人的面经时，浏览到一题，问的就是这个。自己刚接触pytorch时套用别人的框架，会在训练开始之前写上model.trian()，在测试时写上model.eval()。然后自己写的时候也就保留了这个习惯，没有去想其中原因。在经过一番查阅之后，总结如下：如果模型中有BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()，在测试时添加model.eval()。其中model.train()

一、准备工作----检查自己的电脑是否具备安装CUDA的条件1.验证自己的电脑是否有一个可以支持CUDA的GPU