摘要：
后台运行： nohup python3 train.py & 首先拉一个镜像： sudo docker pull ubuntu :拉一个乌班图的镜像 如何使用这个镜像： sudo docker run -i -t ubuntu /bin/bash:这样就进入了乌班图的一个终端 输入ls可以查看目录： 阅读全文
摘要：
nnFormer不仅利用了交错卷积和自注意操作的结合，还引入了局部和全局基于体积的自注意机制来学习体积表示。此外，nnFormer还提出在类似U-Net的架构中，使用跳转注意(skip-attention)来取代跳转连接(skip-connection)中传统的连接/求和操作. 有许多方法试图将变压 阅读全文
摘要：
目前的SSL方法一般采用判别方法和重构方法（discriminative methods and reconstruction methods），典型的判别方法包括旋转[3]、魔方[20]和对比学习[14]（rotating [3], RubikCube [20] and contrastive l 阅读全文
摘要：
简单来说，就是分为两个流，用CNN来获取局部信息，用tranformer获取全局上下文信息，Transformer模块生成一个图像级上下文表示(ICR)来构建图像级的空间依赖图，并生成区域重要性系数(RIC)来模拟每个区域的重要性。 模型结构如下： 在第一个流当中，我们应用CNN来获取图像（但好像是 阅读全文
摘要：
在VGG中，卷积网络达到了19层，在GoogLeNet中，网络史无前例的达到了22层。那么，网络的精度会随着网络的层数增多而增多吗？在深度学习中，网络层数增多一般会伴着下面几个问题 计算资源的消耗 模型容易过拟合 梯度消失/梯度爆炸问题的产生 问题1可以通过GPU集群来解决，对于一个企业资源并不是很 阅读全文
摘要：
2023年3月发表在arxiv 现阶段，人们对于transformer的兴趣激增，然而，由于缺乏大规模的注释医疗数据集，使得实现与自然图像相同的性能具有挑战性，相比之下，卷积网络具有更高的归纳偏差，因此，很容易被训练到高性能。现阶段，ConvNext试图通过镜像transformer来使得ConvN 阅读全文
摘要：
我们在CNN架构中广泛使用了多重注意力，并提出了一个全面的基于注意力的CNN（CA-Net），以更准确和可解释的医学图像分割，同时了解最重要的空间位置、通道和尺度。特别地，我们首先提出了一个联合空间注意模块，使网络更多地关注前景区域。然后，在此基础上，提出了一种新的通道注意模块来自适应地重新校准通道 阅读全文
