个人ST-UNet复现记录(纯属个人学习记录)

个人纯属菜鸡;本次文章只是个人学习记录,不具有教学功能;如果能够帮助到大家我非常开心
本次复现的github代码:https://github.com/XinnHe/ST-UNet.git;结论不值得复现
有一点要注意的是;这个代码是linux环境的;不能够在windows环境下运行。ubtuntu也是可以的。

我之前就是一直用windows配置结果一直出错;我服了。所以我前面写的ST-UNet复现记录(1)有不太好;我不想删除了,本来就是个人学习记录所以留着了。

环境配置:

github作者描述的环境创建;torch1.4支持的cuda9要注意显卡;cuda9只支持20系列的显卡。所以我直接没有按它的要求来;我用的4070ti super显卡;然后安装的py3.9;cuda12.1;torch也是自己对着其他版本安装的(没有安装它的要求来);然后下面的安装包就对着安装就行了。用linux安装真的比windows好太多了;
在这里插入图片描述

还有一个就是SoftPool包;我们要进入这个的github链接;
https://github.com/alexandrosstergiou/SoftPool.git
根据下面的提示安装就行;对于linux系统真的不要太好。
在这里插入图片描述
至此环境安装完成了。

内容:

需要注意的是,这篇论文不值得复现,因为有一些网络模型作者进行了保密处理。所以无论怎么跑比较难达到达作者描述的那样;当然,复现者可以根据自己经验来对这篇论文作者提供的代码进行修改;使得自己的代码效果比这篇论文的效果还好。

我的坎坷路程:

真不能在一棵树上吊死,我本来觉得这个代码就是增添模型,然后我觉得自己可以的;发现做了3个月的无用功。离谱,我本人菜鸡,上面也是根据某个大佬说的;更加可恨的是,我再咸鱼找个个人帮忙复现这篇论文,结果这个咸鱼骗子,给了我一个垃圾代码;跑都跑不了,要了我500左右。我也不能让他退款了,浪费时间。只能说人在做天在看。大家可以避坑,私聊我,我会给出这个咸鱼的个人平台信息。
最后希望我的个人学习记录能够帮助到大家。

### 关于 LKM-UNet 模型的复现方法 LKM-UNet 是一种专门针对医学图像分割任务提出的新型卷积神经网络架构,其核心在于通过大型内核(Large Kernel)的空间建模能力提升特征提取的效果[^1]。该模型引入了基于 Mamba 的 UNet 结构,并设计了一种双向和分层的空间注意力机制(SSM),从而增强了局部与全局特征的融合效果[^2]。 #### 代码实现资源 为了便于研究者快速上手并复现实验结果,作者已经在 GitHub 上开源了完整的源码。以下是具体的信息: - **GitHub 地址**: ```plaintext https://github.com/wjh8925212/LKM-UNet ``` - **主要文件结构说明**: - `models/`: 存储了 LKM-UNet 的核心模块定义以及相关组件。 - 文件名可能包括 `lkm_unet.py` 或类似的命名方式,其中包含了模型的具体实现逻辑。 - `datasets/`: 提供了数据预处理脚本以及支持的数据集接口。 - `train.py`: 主训练脚本,负责配置参数、初始化模型、加载数据集以及执行训练过程。 - `test.py`: 测试脚本,用于评估模型性能。 #### 安装依赖项 在运行代码之前,请确保安装所需的 Python 库。通常情况下,项目会附带一个 `requirements.txt` 文件,可以通过以下命令完成环境搭建: ```bash pip install -r requirements.txt ``` 如果未提供此文件,则可以根据代码中的导入语句手动安装必要的库,例如 PyTorch 和 torchvision 等深度学习框架。 #### 数据准备 由于 LKM-UNet 被应用于医学图像分割领域,在实际操作前需准备好相应的数据集。常见的公开数据集有: - Multi-Organ Segmentation Dataset (MoNuSeg) - Medical Decathlon Challenge Data 这些数据集可通过官方链接下载,并按照文档指示进行格式转换以便适配到模型输入中。 --- ### 注意事项 尽管 LKM 表示的是两种完全不同的概念——即上述提到的大规模医疗影像分析工具[LKM-UNet]以及 Linux 下的一种恶意软件技术[LKM Rootkit][^3]——两者之间并无关联。因此,在讨论时应区分清楚上下文以免混淆。 对于希望深入理解或改进该算法的研究人员来说,除了阅读原始论文外还可以关注以下几个方向: 1. 探讨如何进一步优化 SSM 设计以提高计算效率; 2. 尝试将这种方法扩展至其他类型的生物医学成像应用当中去验证其普适性。
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值