摘要：
推荐一篇超详细的nnUnet用于2维图像训练和测试的教程，感谢原创作者！！！ https://blog.csdn.net/minervazhaojie/article/details/112061000 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在MICCAI 2020上的论文：Deep Volumetric Universal Lesion Detection Using Light-Weight Pse 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在MICCAI 2020上的论文：CircleNet: Anchor-Free Glomerulus Detection with Circle Represent 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在CVPR 2020上的论文：BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tai 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在MICCAI 2019上的论文：Dual Adaptive Pyramid Network for Cross-Stain Histopathology Imag 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在MICCAI 2019上的论文：One Network To Segment Them All:A General, Lightweight System for 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在MICCAI 2020上的论文：Multi-scale Microaneurysms Segmentation Using Embedding Triplet L 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在CVPR 2020上的论文：LT-Net: Label Transfer by Learning Reversible Voxel-wise Correspond 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在MICCAI 2019上的论文：Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Le 阅读全文
摘要：
原文链接 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在MICCAI 2019上的关于医学影像处理中小器官分割的论文：FocusNet: Imbalanced Large and Small Organ Segment 阅读全文
摘要：
原文链接传送门 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在CVPR2020上的关于医学图像处理的论文：Deep Distance Transform for Tubular Structure Segmentati 阅读全文
摘要：
原文链接传送门 扫码关注下方公众号："Python编程与深度学习"，领取配套学习资源，并有不定时深度学习相关文章及代码分享。 今天分享一篇发表在CVPR2020上的关于医学图像处理的论文：Structure Boundary Preserving Segmentation for Medical I 阅读全文
摘要：
（代码托管在我的Github上，如果有帮助记得点星星嗨！） 0 - 概要 选择分类问题(selective classification problem)是一类带有拒绝选项的监督学习问题，可以在一定程度的数据覆盖范围内获得最佳性能。文中将原始的m分类问题转化成(m+1)分类问题，其中第(m+1)表示 阅读全文
摘要：
（代码托管在我的Github上，如果有帮助记得点星星嗨！） 0 - 背景 0.0 - 概要 生存预测模型探索的是患者的各个属性/特征与治疗效果之间的关系。之前的生存预测模型，像linear Cox proportional hazards model需要有专业的医学知识作为专业背景来构建特征工程，而 阅读全文
摘要：
0 - 背景 这篇文章想要解决的问题是预测一个区域短时间内的降水变化，在它之前的工作（2015年之前）还很少有采用机器学习的方法来做相关预测。由于预测的输入是时序雷达图等具有空间和时间关系的数据，因此文中提出了convolutional LSTM (ConvLSTM)模型，用这个模型可以捕获数据的时 阅读全文
摘要：
0 - 算法 给定如下数据集 $$T=\{(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)\},$$ 假设$X$有$J$维特征，且各维特征是独立分布的，$Y$有$K$种取值。则对于输入$x$，朴素贝叶斯算法的输出为 $$y=arg\max_{c_k}P(Y=c_k)\prod 阅读全文
摘要：
0 - 算法描述 感知机算法是一类二分类算法，其问题描述为，给定一个训练数据集 $$T=\{(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)\},$$ 其中$x_i\in \mathbb{R}^n,y_i\in\{-1,1\},i=1,2,\cdots,N$，求参数$w,b$ 阅读全文
摘要：
0 - 思想 Bagging算法思想是减少预测方差（variance），Boosting算法思想是为了减少预测偏差（bias）。 Boosting算法思想是将“弱学习算法”提升为“强学习算法”。一般来说，弱学习算法容易找到，而后通过反复学习得到一系列弱分类器，再通过加权将他们组合起来得到一个强分类器 阅读全文
摘要：
0 - 思路 Stacking是许多集成方法的综合。其主要思路如下图所示，通过训练数据训练多个base learners（the first-level learners），这些learners的输出作为下一阶段meta-learners（the second-level learners）的输入， 阅读全文
摘要：
0 - 思想 如下图所示，Bagging（Bootstrap Aggregating）的基本思想是，从训练数据集中有返回的抽象m次形成m个子数据集（bootstrapping），对于每一个子数据集训练一个基础分类器，最后将它们的结果综合起来获得最终输出。 1 - 特点 Bagging需要不同的/独立 阅读全文
摘要：
线性回归（Linear Regression） 求解方法 最小二乘法 极大似然估计法（MLE） 梯度下降法 推广 多项式线性回归 广义线性回归 正则化 L1正则化（Lasso） L2正则化（Ridge，岭回归） 代码 分类（Classification） 最近邻（Nearest Neighbor） 阅读全文
摘要：
（注：本篇博文是对《统计学习方法》中决策树一章的归纳总结，下列的一些文字和图例均引自此书~） 决策树（decision tree）属于分类/回归方法。其具有可读性、可解释性、分类速度快等优点。决策树学习包含3个步骤：特征选择、决策树生成、决策树修剪（剪枝）。 0 - 决策树问题 0.0 - 问题描述 阅读全文
摘要：
K近邻（KNN）的核心算法是kd树，转载如下几个链接： 【量化课堂】一只兔子帮你理解 kNN 【量化课堂】kd 树算法之思路篇 【量化课堂】kd 树算法之详细篇 阅读全文
摘要：
0 - 基本问题 线性回归考虑的是有$n$个样本$\{\mathbf{x}_1,\mathbf{x}_2,\cdots,\mathbf{x}_n\}$，每一个样本对应$m+1$维特征$\mathbf{x}_i=\{x_{i0},x_{i1},x_{i2},\cdots,x_{im}\}$（其中$x_ 阅读全文
摘要：
0 - 背景 0.0 - 为什么需要字典学习？ 这里引用这个博客的一段话，我觉得可以很好的解释这个问题。 0.1 - 为什么需要稀疏表示？ 同样引用这个博客的一段话，我觉得可以很好的解释这个问题。 左图是新飞行员（不熟练的飞行员）的大脑。图中黄色的部分，是被认为活跃的脑区。右图是老飞行员（熟练的飞行 阅读全文
摘要：
0 - 特征值分解（EVD） 奇异值分解之前需要用到特征值分解，回顾一下特征值分解。 假设$A_{m \times m}$是一个是对称矩阵（$A=A^T$），则可以被分解为如下形式， $$A_{m\times m}=Q_{m\times m}\Sigma_{m\times m} Q_{m\times 阅读全文
摘要：
（注：下面出现的"czifan"为用户名，需替换成自己的用户名） 本篇博客是在实践该篇博客的过程中的一些补充和修改~ 0 - 安装VMware Workstation Pro 首先下载VM安装包（安装包链接） 根据提示安装VM即可 1 - 安装虚拟机（Ubuntu 16.04） 下载ubuntu镜像 阅读全文
摘要：
依次执行上述两句语句即可。 0 - 参考资料 https://www.cnblogs.com/xiaowei2092/p/11025155.html 阅读全文
摘要：
转载博客的Jupyter Notebook远程连接配置方法。 0 - 参考资料 https://www.jianshu.com/p/08f276d48669?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source 阅读全文
摘要：
转载一个详细可用的ubuntu16.04+cuda9.0+cudnn7.1教程。 0 - 参考材料 https://blog.csdn.net/Umi_you/article/details/80268983 阅读全文
摘要：
0 - 步骤 安装visualcppbuildtools_full.exe（链接：https://blog.csdn.net/u012247418/article/details/82314129） 重启电脑，在开始菜单中打开"Visual C++ 2015 x64 Native Build Too 阅读全文
摘要：
github代码：https://github.com/Chet1996/pytorch-UNet（如有帮助，点个星星hi！） 0 - Abstract 这篇文章是生物学会议ICMICCAI2015的文章，主要针对的是生物影像进行分割。由于普遍认为深度学习需要大量的样本进行训练，而生物医学领域上的数 阅读全文
摘要：
0 - inplace 在pytorch中，nn.ReLU(inplace=True)和nn.LeakyReLU(inplace=True)中存在inplace字段。该参数的inplace=True的意思是进行原地操作，例如： x=x+5是对x的原地操作 y=x+5,x=y不是对x的原地操作 所以， 阅读全文
摘要：
0 - 引入 简单的梯度下降等优化算法存在一个问题：目标函数自变量的每一个元素在相同时间步都使用同一个学习率来迭代，如果存在如下图的情况（不同自变量的梯度值有较大差别时候），存在如下问题： 选择较小的学习率会使得梯度较大的自变量迭代过慢 选择较大的学习率会使得梯度较小的自变量迭代发散 因此，自然而然 阅读全文
摘要：
0 - 引入 并行处理、流水线处理、自动化调参、持久化是sklearn优雅地进行数据挖掘的核心。 并行处理和流水线处理是将多个特征处理工作，甚至包括模型训练工作组合成一个工作。 在组合的前提下，自动化调参技术帮我们省去了人工调参的繁琐。 训练好的模型是贮存在内存中的数据，持久化能够将这些数据保存到文 阅读全文
摘要：
0 - 引入 在特征选择之后，有可能由于特征量过大导致计算量太大、内存溢出或者训练时间长的问题，因此需要通过降维方法将特征维度降低。 常用的降维方法有如下几种： 基于L1惩罚项的模型（上一篇特征选择提到的） 主成分分析法（PCA） 线性判别分析（LDA） 下面通过sklearn并基于iris数据集来 阅读全文
摘要：
0 - 引入 在数据预处理之后，我们通常需要选择有意义的特征进行后续的训练，一般选取特征的依据有如下两个方面： 特征是否发散（我觉得更好的描述应该是，特征分布是否正常）：如果一个特征不发散，则方差接近0，说明各个样本的该特征相差无几，所以该特征对于样本的区分用处不大； 特征与目标的相关性：对于目标相 阅读全文
摘要：
0 - 引入 一般通过特征提取或者数据集给出的特征，可能都有如下问题： 由于存在上述问题，因此在我们设计算法和模型之前，我们需要相对数据进行预处理，下面通过sklearn中的preprocessing模块并基于iris数据集来介绍不同的数据预处理。 导入iris数据集。 1 - sklearn方法查 阅读全文
摘要：
0 - 背景 人体姿态识别存在遮挡以及关键点不清晰等主要挑战，然而，人体的关键点之间由于人体结构而具有相互关系，利用容易识别的关键点来指导难以识别关键点的检测，是提高关键点检测的一个思路。本文通过提出序列化结构模型，来提高人体姿态识别任务的效果。 1 - 贡献 使用一个序列卷积结构模型学习表达空间信 阅读全文
摘要：
0 - 背景 人体姿态识别是计算机视觉的基础的具有挑战性的任务，其中对于身体部位的尺度变化性是存在的一个显著挑战。虽然金字塔方法广泛应用于解决此类问题，但该方法还是没有很好的被探索，我们设计了一个Pyramid Residual Module（PRMs）来提高DCNNs的尺度不变性。 并且我们发现现 阅读全文