银晗的学习博客

特征白化、正则化和稀疏表示的笔记

Contrastive & Triplet & Center Loss的学习笔记

DoFE学习笔记

学习EISNet的简单笔记

现代深度神经网络在部署到现实世界应用时，往往难以传递知识并在不同领域中实现泛化。目前，引入领域泛化（DG）来从多个领域学习通用表示，以提高网络在未见领域中的泛化能力。然而，以往的DG方法本文提出了一种新的分层一致性领域泛化框架（HCDG），通过协同集成外在一致性和内在一致性来实现。我们在两个医学图像分割任务上评估了所提出的HCDG框架，即眼底图像中的视杯/盘分割和前列腺MRI分割。广泛的实验结果表明了我们的HCDG框架的有效性和通用性。

chatgpt提示的一些小技巧

稠密网络主要由2部分构成：稠密块（dense block）：定义如何连接输入和输出过渡层（transition layer）： 控制通道数量，使其不会太复杂。

几何代数中定义的张量是基于向量和矩阵的推广，比如我们可以将标量视为零阶张量，矢量可以视为一阶张量，矩阵就是二阶张量。当对两个形状不同的 Tensor 按元素运算时，可能会触发广播(broadcasting)机制：先适当复制元素使这两个 Tensor 形状相同后再按元素运算当完成计算后可以通过调用 .backward()，来自动计算所有的梯度。这个张量的所有梯度将会自动累加到.grad属性要阻止一个张量被跟踪历史，可以调用.detach()方法将其与计算历史分离，并阻止它未来的计算记录被跟踪Tensor 和

学习汇总一下各种角度损失函数

一副图像可以定义为一个二维函数f(x,y),其中x,y是空间平面坐标，而在任何空间坐标处的幅值f称为该点处的强度或灰度。当x，y和灰度值是有限的离散值时，该图像被称为数字图像。OpenCV--开源计算机视觉库（OpenSourceComputerVisionLibary）OpenCV是基于BSD许可发行的跨平台计算机视觉库，可以在Win、Linux、mac系统上运行采用C++编写，轻量级且高效发展历程了解了计算机视觉的基础吧，因为其他的代码根本看不懂，所以学点基础的吧。https。............

上升阶跃边缘：一阶导数：产生正峰值二阶导数：进入和离开边缘峰值符号相反下降阶跃边缘：一阶导数：下降灰度斜坡开始和整个灰度斜坡上不为0，也就是下降结束为0，产生粗边缘二阶导数：斜坡开始和结尾处不为0，也就是开头和结尾不为0，产生细边缘脉冲边缘：一阶导数：产生一个正峰值和一个负峰值，单边缘二阶导数：产生的峰值远大于一阶导数，双边缘对称屋顶状边缘：一阶导数：产生一个正峰值和一个负峰值，单边缘，幅度小于脉冲边缘二阶导数：产生的峰值远大于一阶导数，双边缘对称，幅度小于脉冲边缘结论：1.一阶导数产

将部分标签（一部分是打了标签的数据集）的问题作为一个多类分割任务，并将未标记的器官作为背景，这可能会产生误导，因为在该数据集中未标记的器官确实是另一项任务的前景。Shi等人将未标记的器官与背景合并，并对每个体素（即每个体素属于一个体素中的一个器官或背景）施加独家约束，在一个完全标记的数据集和几个部分标记的数据集上联合学习分割模型。Chen等人从不同的医疗领域收集了多个部分标记的数据集，并在它们上共同训练了一个异构的3D网络，该网络是专门设计的任务共享编码器和8个分割任务的任务特定解码器。

代码，OpenCV-入门。

卷积核# 全连接操作: y = Wx + b# 最大值的池化层 ： a (2, 2) window# 如果windowsize是方阵，一个数字就行 （2，2）= 2return xprint(net)只需定义forward函数，backward 函数（计算梯度的地方）会自动为您使用autograd. forward您可以在函数中使用任何 Tensor 操作。模型的可学习参数由net.parameters()尝试一个随机的 32x32 输入。

背景：在工业图像的异常检测中，最大的问题就是冷启动的问题。首先，在训练集中都是正常的图片，模型很容易捕获到正常图像的特征，但是很难捕获到异常缺陷的样本（这类样本很少，获取也难）其次，分布漂移。正常图像和异常图像分布是不一样的，模型学习的是正常图像的数据分布，而异常图像的数据分布和正常图像不一样AD数据集上的偏差：AD数据集介绍一下：本篇文章采取的方法是基于密度的异常检测方法GAP：全局平均。会定义一个anomaly score。

Medical Surgeric Robot

federal learning and 3D image segemnt

医疗图像分割LiTM数据集上的综述文章，总结性非常强，大佬的文章就是不一样，遣词造句就值得我学