XX|XX的博客

多分类 focal loss 以及 dice loss 的pytorch以及keras实现pytorch 下的多分类 focal loss 以及 dice loss实现dice lossfocal losskeras/tf 下的多分类 focal loss 以及 dice loss实现dice lossfocal losspytorch 下的多分类 focal loss 以及 dice loss实现dice lossclass DiceLoss(nn.Module): def __init__

pytorch中的使用dataset, dataloader读取超大h5py数据文件问题描述解决方案问题描述这里解决方案

torchsummary, TypeError: can't multiply sequence by non-int of type 'list'解决方案1解决方案2心路历程原因分析解决方案1点击方案1参考这篇博文。解决方案2点击方案2参考这篇博文心路历程说实话，虽然提供方案1的博主写的逻辑很清晰，但我当时并未看懂…而且，仔细研究之后觉得只有方法三是适合我的，但是我不能随便更改我的网络输出的啊，因为这个网络是中间网络，它的输出后续网络还要使用的，更改输出过于麻烦，不太可行…于是我找到了第二

这仍然是一个学习记录博~欢迎讨论安装tensorflow object detection API首先当然是要先安装tensorflow object detection API啦，网上有很多教程可以参考，比如：Ubuntu 16.04下安装TensorFlow Object Detection API(对象检测API)P.S. 安装时需要注意的就是tensorflow-gpu的版本问题，你的tensorflow和tensorflow-gpu以及tensorflow API的版本都要一致，如果tens

这是一个学习记录博~可能有错，欢迎讨论P.S. 本文所用的unet源码来自Unet源码。目标实现胃部超声图像的病灶分割医学数据以及预处理简介医学图像的数据格式十分复杂，数据形式有什么CT图像，MRI图像（目前还没接触过~），超声图像等（详细信息可以参考：医学图像了解。），而数据格式上有诸如dicom(.dcm，.IMA，常用的python处理库有：SimpleITK, pydicom库)，Nifit(.nii或.nii.gz，常用的python处理库有：SimpleITK, nibabel库)，N

Domain Adaptive Faster R-CNN for Object Detection in the Wild概述主要方法Image-level AdaptionInstance-level AdaptionJoint Adaption (consistency regularization)文章链接：https://arxiv.org/pdf/1803.03243.pdf文章参考...

摘要常规的对象检测方法基本上假定训练和测试数据是从受限的目标域中收集的，且标记成本很高。为了缓解域依赖性和繁琐的标记问题，本文提出了通过利用从辅助源域训练的具有足够标记的域知识来在不受限制的环境中检测对象的方法。具体而言，我们提出了一种用于无限制对象检测的多对抗性FasterRCNN（MAF）框架，该框架固有地解决了域差异最小化问题，以实现特征表示中的域自适应。本文的优点包括三个方面：1）考虑到...

ValueError: Negative dimension size caused by subtracting 3 from 1出现这个错误的原因是图片通道的问题。也就是”channels_last”和”channels_first”数据格式的问题。input_shape=(3,150, 150)是theano的写法，而tensorflow需要写出：(150,150,3)。也可以设置不...