九叶草

摘要： 看了网上很多帖子，很多都没有说Eigen如何做矩阵除法。我这里补充一下。其他运算一般都可以查到； 对于Matrix来说，我们需要先将其转换成数组，因为Eigen矩阵不能做除法（很烦）。 比如我们一个2x4的矩阵，除以1x4的矩阵，python是可以使用numpy实现的（其实也是用的数组形式）。 Ei 阅读全文

摘要： 看了《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》这篇论文，大致了解了CycleGAN的工作原理，为了更好的理解他损失函数的设计，结合提供的代码，我绘制了损失函数的流程图，并且用map 阅读全文

摘要： 今天阅读了《An Image Patch is a Wave: Phase-Aware Vision MLP》这篇论文，根据代码绘制的它的结构图。如果有错误，还请指正。 Wave_MLP_B 2D图像任务参数量有点大。换成3D估计没的玩了。 参数量： 1) 我用他代码跑了一下2D的胃部分割实验，发现 阅读全文

摘要： 近期看了一些关于GIL的一些内容，敲一下代码看看效果。 # coding:utf-8 # GIL(Global Interpreter Lock):他只允许任何时刻只有一个线程处于执行状态，即使是在具有多个CPU内核的多线程架构中。 # 为什么没有删除GIL，因为现在的python已经严重依赖GIL 阅读全文

摘要： 想看一下对于一个训练好的模型，其每一层编码阶段的可视化输出是什么样子的。我以3Dircabd肝脏血管分割为例，训练好了一个U-Net模型。然后使用该模型在推理阶段使用，并可视化了每一层编码器。 分割结果： 可视化分为两个展示，分别是有原图和没有原图作为背景的。 无背景 encoder第一层 enco 阅读全文

摘要： 对抗生成网络主要由生成网络和判别网络构成，GAN在图像领域使用较多。利用生成网络生成假的图像，然后利用判别器是否能判断该图像是假的。 1、用于医学图像分割，一般我们可以利用一个U-Net网络生成分割结果，但是结果或许分割的不是很好。我们这时候就可以利用GAN的优势。通过将分割的结果放入GAN网络中进 阅读全文

摘要： #coding:utf-8 import SimpleITK as sitk import numpy as np import cv2 # 膨胀 def dilateion(image): kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 阅读全文

摘要： 过拟合原因： 1. 训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；（模型太复杂，参数就会太大，然而你的数据量又很小） 2. 训练集和测试集特征分布不一致；（用分类猫的训练集，去拟合分类狗的） 3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出 阅读全文

摘要： cv2.morphologyEx(image, cv2.MORPH_GRADIENT, SE)可以参考这篇博客cv2.MORPH_GRADIENT：形态学梯度(morph-grad)，可以突出团块(blob)的边缘， 保留物体的边缘轮廓。 #coding:utf-8 import SimpleITK 阅读全文

摘要： cv2.getStructuringElement(cv2.MORPH_RECT, (7,7))介绍，请看这个博客。我简要说一下cv2.getStructuringElement，可用于构造一个特定大小和形状的结构元素，用于图像形态学处理。其中 MORPH_RECT 就是构造一个全1方形矩阵。代码如 阅读全文