- 博客(83)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 西尔维斯特方程（Sylvester equation）官方求解有问题
为了要使上述方程成立，矩阵的行和列需要满足一定条件，A和B都要是方阵，大小分别是n和m，而X和C要是n行m列的矩阵，n和m也可以相等，四个矩阵都是大小相同的方阵。其中A、B及C是已知的矩阵，问题是要找出符合条件的X。其中所有矩阵的系数都是复数。西尔维斯特方程有唯一解X的充分必要条件是A和-B没有共同的特征值。最后矩阵计算形式变为。
2024-01-02 19:00:03
988
1
原创 解读Influence of sampling accuracy on augmented reality for laparoscopic image-guided surgery
如图3所示，在用于LLRS的IGS中，手眼相机校准是计算立体腹腔镜相机（可称之为“眼睛”）（比如日本东京的奥林巴斯品牌设备ENDOEYE flex3D）和固定在相机上的刚体球（可称之为“手”）之间的转换关系矩阵。为了实现相机标定和手眼标定，设计一个96点图案的标定板，上面附着四个刚体球。在LLRS中，外科医生通常通过腹腔镜摄像机的视频，在医学图像的帮助下，以及在可用的情况下，通过分割的3D重建表面模型，对器官进行可视化手术。本文使用的符号上标表示变换所针对的坐标系，下标表示变换所指向的坐标系。
2023-10-26 11:14:09
109
原创 解读effective calibration of an endoscope to an optical tracking system for medical augmented reality
我们研究校准内窥镜到光学定位系的方法，用来进行高精度增强现实(AR)术中导航。比较多种校准方法，并提出了在医疗环境下精度和速度最好的校准方法。
2023-10-26 10:43:20
98
原创 SLAM十四讲之第5讲--相机标定
针孔模型是很常用而且有效的模型，它描述了一束光线通过针孔之后，在针孔背面投影成像的关系。由于相机镜头上的透镜的存在，使得光线投影到成像平面的过程中会产生畸变。因为不同视角下旋转和平移的6个参数会变化，对每一个视角用来求解摄像机内参数矩阵的两个额外参数需要约束。2）在机械组装过程中，透镜和成像平面不可能完全平行，这也会使光线穿过透镜投影到成像面时的位置发生变化。对于径向畸变，成像光学中心的畸变为0，随着向边缘移动，畸变会变大。f是摄像机焦距，Z是相机到物体的距离，X是物体的长度，x图像平面上的物体图像。
2023-03-14 14:23:42
681
原创 1.3 机器学习方法之分类问题--决策树、贝叶斯、SVM支持向量机、逻辑回归
分类问题是监督学习的一个核心问题，它从数据中心学习一个分类决策函数或分类模型，对新的输入进行输出预测，输出变量取有限个离散值。决策树、贝叶斯、SVM支持向量机、逻辑回归、集成学习。......
2022-06-03 22:30:50
1139
原创 1.2 机器学习准备
机器学习的一般过程：① 数据预处理：数据清洗、数据采样、数据集拆分② 特征工程：特征选择、特征降维、特征编码、规范化。③ 模型选择④ 模型训练和测试⑤ 模型性能评估和优化1) 数据清洗对各种脏数据进行对应方式的处理，得到标准、干净、连续的数据，提供给数据统计、数据挖掘等使用。数据的完整性、数据的合法性、数据的唯一性、数据的权威性以及数据的一致性等。2) 数据采样要避免数据的不平衡（数据集的类别分布不均）3) 数据集拆分训练数据集、验证数据集、测试数据集。K-折交叉验证法：把训练样例分成k
2022-06-03 21:27:47
277
原创 机器学习之预备知识
表示随机变量的不确定性，熵越大不确定性越大。在决策树算法中，熵是一个非常非常重要的概念。一件事发生的概率越小，我们说它所蕴含的信息量越大。比如：我们听女人能怀孕不奇怪，如果某天听到哪个男人怀孕了，那这个信息量就很大了…。所以我们这样衡量信息量：信息熵就是所有可能发生的事件的信息量的期望：已知随机变量 X的条件下随机变量 Y的不确定性相对熵也称为KL散度(Kullback-Leibler divergence)，表示同一个随机变量的两个不同分布间的距离。设 p(x),q(x) 分别是 离散随机变量
2022-06-03 21:10:46
155
原创 openGL绘制透明物体的一种方法
本文主要介绍如何在opengl绘制一个透明物体，实现混合效果效果图如下：绿色立方体被一个更大的透明立方体包围着。#define FREEGLUT_STATIC // Define a static library for calling functions#include <GL/freeglut.h> // Include the header file#include<math.h>#include<stdio.h>using namespace st
2022-05-31 14:44:44
1203
原创 Combining Visual Cues with Interactions for 3D–2D Registration in Liver Laparoscopy翻译
Combining Visual Cues with Interactions for 3D–2D Registration in Liver Laparoscopy翻译0. 摘要1. 介绍二级目录三级目录0. 摘要在单目肝脏腹腔镜检查中，增强现实 (AR) 需要将术前 3D 肝脏模型配准到腹腔镜图像上。这是一个难题，因为术前形状与术中形状不同，并且肝脏在腹腔镜图像中仅部分可见。以前的方法或者是刚性模型手动配准，或者是结合视觉信息和生物力学模型的自动配准。本文提出了一种集上述方法优点于一身的新混合方法。
2022-04-02 21:40:25
2356
原创 CGAL表面网格降采样
CGAL表面网格降采样1. CGAL Surface_mesh_simplification模块2. 源为stl格式数据1. CGAL Surface_mesh_simplification模块#include <CGAL/Simple_cartesian.h>#include <CGAL/Surface_mesh.h>#include <CGAL/Surface_mesh_simplification/edge_collapse.h>#include <
2022-03-31 16:13:05
1103
2
原创 拜读Combining Visual Cues with Interactions for 3D–2D Registration in Liver Laparoscopy
拜读Combining Visual Cues with Interactions for 3D–2D Registration in Liver Laparoscopy0. 摘要1. 介绍二级目录三级目录0. 摘要1. 介绍下图1，增强的腹腔镜图像示例：肿瘤边界（红色）及其肿瘤边缘（绿色）投影到肝脏表面。可见下表面肿瘤（黄色）和主要血管（蓝色）。蓝色标记是规划的切除路径。 从肝脏表面到肿瘤的每一厘米处遍布红点。肿瘤边缘1cm范围进行切除，用于治疗结直肠癌肝转移 (CRLM) 和肝细胞癌 (HCC
2022-03-12 08:57:50
40
原创 分割任务的性能指标之Surface Dice
分割任务的性能指标之Surface DSC1. Surface DSC是啥1.1 Surface DSC示意图1.2 Organ-specific tolerances容差2. Surface DSC技术细节1. Surface DSC是啥在文章《Deep learning to achieve clinically applicable segmentation of head and neck anatomy for radiotherapy》中作者引入了一个分割性能指标，“surface Dice
2022-03-08 19:49:23
1631
原创 Robust Medical Instrument Segmentation Challenge 2019拜读
Robust Medical Instrument Segmentation Challenge 2019拜读0. 摘要1. 介绍2. 方法2.1 挑战的任务2.2 挑战的数据集2.2.1 数据Recording2.2.2 数据提取2.2.3 标签生成2.3 评价方法2.3.1 Metrics指标2.3.2 Ranking评分3. 结果3.1. Method descriptions of participating algorithms0. 摘要腹腔镜器械的术中跟踪通常是计算机和机器人辅助干预的先决条
2022-03-08 16:55:36
3222
原创 UNet++: A Nested U-Net Architecture for Medical Image Segmentation
UNet++: A Nested U-Net Architecture for Medical Image Segmentation0、摘要论文特点1、U-Net++网络结构二级目录三级目录0、摘要论文特点网络特点深度监督的编解码网络。通过一系列嵌套、密集的跳跃路径连接。缘由使用跳跃路径，为了降低语义差异：编解码子网络间的特征图。评价对比从以下四方面的分割任务，和U-Net以及宽泛U-Net结构进行对比。1 ) 胸部低剂量造影CT扫描的结节分割；2）显微镜图像下的细胞核分割；3）腹部
2022-01-01 08:26:21
959
原创 SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation1、Abstract1.1、 分割引擎组成1.2、优点三级目录1、Abstract1.1、 分割引擎组成This core trainable segmentation engine consists of an encoder network, a corresponding decoder network followed by a pix
2021-12-24 17:48:13
406
原创 tensorflow.python.framework.errors_impl.UnknownError: Failed to get convolution algorithm....
在训练Unet分割网络的时候，出现如下错误：tensorflow.python.framework.errors_impl.UnknownError: Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.是这样，如果没有配置Cuda或者不支持Cu
2021-12-23 17:58:43
1326
原创 国家开放大学-农村社会学-形考作业4
《农村社会学》形考作业4一、单项选择题（每题1分，总计20分）1. 根据一定的标准把人们划分为高低有序的若干等级层次的过程及现象，被称为（ B ）。A. 社会分化 B. 社会分层 C. 社会流动 &nb
2021-12-11 08:42:06
25114
原创 国家开放大学-农村社会学-形考作业3社会问题的调查报告
关于xxx乡（镇）社会问题的调查报告一、调查目的理清乡村社会问题理论的基本内容，在理清理论的同时，分析社会问题产生的原因，认识社会问题在社会、经济发展中的危害，加深对社会问题理论的理解，同时关注在社会、经济发展中积极解决现存的社会问题并注意防止新的社会问题的产生。二、调查地点与时间地点：xxx乡时间：2021年12月8日三、调查方法随机深入乡镇下的自然村进行现场调研四、调查内容与结论（1）社会问题的涵义、特点涵义：社会问题是一种社会失调现象，是指影响了全体或部分社会成员的正常生活，影响了
2021-12-11 08:40:35
9084
原创 国家开放大学-乡村社会学-形考作业2
《农村社会学》形考作业2一、单项选择题（每题1分，总计20分）农村社会学产生于十九世纪末二十世纪初的（C）。A. 中国 B. 日本 C. 美国 D. 欧洲被认为是中国农村社会学诞生的标志一书是（C）。A. 《中国农村生活----一个社会学的研究》 B. 《华南乡村生活》C. 《农村社会学》D. 《北平郊外之乡村家庭》20世纪20～30年代由知识分子倡导并参加的、
2021-12-11 08:38:14
19679
2
原创 国家开放大学-农村社会学-形考作业1
关于xxx村家庭情况的调查报告一、调查目的分析家庭功能在社会、经济发展中的作用，加深对家庭功能理论的理解，同时发挥家庭功能在农村社会、经济发展中的应有作用二、调查地点与时间地点：xxx自然村时间：2021年12月10日三、调查方法根据自己的乡村生活以及调研村里邻居的方式四、调查内容与结论（1）家庭的涵义、特点它是以婚姻关系为基础，以血缘关系为纽带， 成员间有着共同的利害和亲密关系的群体。 这些血缘关系和姻缘关系包括: 第一，夫妻关系; 第二，亲子关系; 第三，兄弟姐妹关系; 第四，婆媳关
2021-12-11 08:08:55
4737
原创 Unet:Convolutional Networks for Biomedical Image Segmentation拜读
Unet:Convolutional Networks for Biomedical Image Segmentation拜读1、网络结构1.1、下采样过程1.2、上采样过程1.3、最后一层2、Training训练2.1、损失函数1、网络结构网络模型结构看起来像U字母。该网络由一个下采样过程（左半部分）和一个上采样过程（右半部分）组成。1.1、下采样过程典型的卷积神经网络结构。四组相同的下采样，组成：两个3*3卷积层（unpadded方式）ReLU激活2*2 最大池化层（步长为2）每组下
2021-12-10 11:41:54
2992
原创 Non-Deep Network（ParNet，Parallel Network）
Non-Deep Network拜读0、摘要Abstract1、Introduction介绍2、相关工作（这部分可以不用关注）3、Method方法3.1 PARNET BLOCK3.2 Network 介绍本文是普林斯顿大学的Jia Deng团队的最新力作ParNet。它凭借12层的深度网络在ImageNet上达到了80.7%的top-1精度。所提ParNet以RepVGG的模块为出发点，同时提出了针对非深度网络设计的SSE模块构建了一种新型的模块RepVGG-SSE 。所提方案凭借非常浅的结构取得了非常
2021-12-09 15:44:42
2521
原创 图像处理实战-笔记（以python为主）
图像处理实战-笔记（以python为主）1. 图像的alpha通道1. 图像的alpha通道指一张图片的透明和半透明度。from PIL import Imageimage = Image.open('images/hill.png') #open imageimage.putalpha(255) #两张图分别为255和100的alpha值image.show()...
2021-12-02 20:46:10
2803
原创 数字图像处理3之图像增强
数字图像处理之图像增强1.时域图像增强1.1. 灰度变换1.1.1 简单平滑1.1.2 高斯平滑图像增强是改善图像质量最常用的技术；其目的是为了改善图像的视觉效果，使图像更加清晰。图像增强，按照作用域，可以分为时域处理和频域处理。时域处理直接对图像进行处理；而频域处理是在图像的某个变换域内，对图像的变换系数进行运算，然后通过逆变换获得图像增强的效果。1.时域图像增强时域图像增强技术主要有 灰度变换方法、直方图方法、滤波（线性和非线性）方法等。1.1. 灰度变换1.1.1 简单平滑通过邻域简单平
2021-10-11 22:46:37
2218
原创 数字图像处理5之图像分割
数字图像处理5之图像分割1. 概念2. 阈值分割3. 区域分割3.1 区域生长法1. 概念把图像划分成若干个特定的、具有独特性质的区域，并提取其中感兴趣目标的基数和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。1998年以来，人工神经网络识别技术已经引起
2021-09-16 17:55:35
3929
原创 数字图像处理7之膨胀和腐蚀
摘自冈萨雷斯《数字图像处理》腐蚀和膨胀在形态学处理中有着非常广泛的应用，最常见的是对图像形态学边界的提取。1. 膨胀1.1 介绍和作用膨胀是在二值图像中“加长”或“变粗”的操作，在数学形态学运算中的作用是扩展物体的边界点。这种特殊的方式和变粗的程度由一个称为结构元素的集合控制。在数字图像处理中，对于确定的结构元素，通过膨胀运算可以使一些相邻距离较短 的区域进行连接。缺点：杂点敏感 ，细小的杂点通过膨胀处理往往变得较为明显。1.2 示例操作图中说明了膨胀的计算过程。图(a)显示了包含一个矩形对象的
2021-08-16 15:04:03
3281
4
原创 anaconda环境下，python-pcl安装测试以及使用过程中DLL load failed问题
1. 安装详细请参考github Python-pcl-> conda create -n ipk # create a new conda env. -> conda activate ipk # activate env.-> conda update -n base -c defaults conda # update conda-> conda config --add channels conda-forge # add conda-forge channels -
2021-08-16 10:53:45
403
原创 数字图像处理基础知识
补充一下数字图像处理的基础知识1. 图像点运算1.1 灰度直方图1.2 灰度线性变换1.3 灰度非线性变换1.4 灰度拉伸1.5 灰度均衡2. 图像几何变换2.1 平移变换2.2 镜像变换2.3 图像转置2.4 图像缩放2.5 图像旋转3. 图像增强处理3.1 简单平滑3.2 高斯平滑3.3 中值滤波3.4 双边滤波3.5 拉普拉斯锐化4. 边缘检测5. 图像分割...
2021-05-16 22:05:12
1190
1
转载 目标检测-性能
Performance benchmark numbers for our starter model are generated with the tool described in Section 1Model NameModel sizeDeviceGPUCPUCOCO SSD MobileNet v127 MbPixel 3 (Android 10)22ms46ms*Pixel 4 (Android 10)20ms29ms*iPhone X
2021-03-25 23:03:00
119
转载 CNN神经网络--VGG模型
摘自《百度人工智能课程》VGG是当前最流行的CNN模型之一，2014年由Simonyan和Zisserman提出，其命名来源于论文作者所在的实验室Visual Geometry Group。AlexNet模型通过构造多层网络，取得了较好的效果，但是并没有给出深度神经网络设计的方向。VGG通过使用一系列大小为3x3的小尺寸卷积核和池化层构造深度卷积神经网络，并取得了较好的效果。 VGG模型因为结构简单、应用性极强而广受研究者欢迎，尤其是它的网络结构设计方法，为构建深度神经网络提供了方向。图3 是VGG-1
2021-03-09 22:09:09
1690
转载 神经网络--丢弃法（Dropout）
丢弃法（Dropout）是深度学习中一种常用的抑制过拟合的方法，其做法是在神经网络学习过程中，随机删除一部分神经元。训练时，随机选出一部分神经元，将其输出设置为0，这些神经元将不对外传递信号。图16 是Dropout示意图，左边是完整的神经网络，右边是应用了Dropout之后的网络结构。应用Dropout之后，会将标了×\times×的神经元从网络中删除，让它们不向后面的层传递信号。在学习过程中，丢弃哪些神经元是随机决定，因此模型不会过度依赖某些神经元，能一定程度上抑制过拟合。图16 Dropout示
2021-03-05 08:44:07
3288
2
转载 神经网络--CNN的池化、激活函数、批处理归一化Batch Normalization
转自《百度人工智能学习课程》如有侵权，请告知作者删除。感谢！1. 池化（Pooling）池化是使用某一位置的相邻输出的总体统计特征代替网络在该位置的输出，其好处是当输入数据做出少量平移时，经过池化函数后的大多数输出还能保持不变。比如：当识别一张图像是否是人脸时，我们需要知道人脸左边有一只眼睛，右边也有一只眼睛，而不需要知道眼睛的精确位置，这时候通过池化某一片区域的像素点来得到总体统计特征会显得很有用。由于池化之后特征图会变得更小，如果后面连接的是全连接层，能有效的减小神经元的个数，节省存储空间并提高计
2021-03-04 22:51:09
1974
1
转载 神经网络--基本概念$CNN的卷积
从百度人工智能课程里，看到对神经网络的基本概念的介绍，觉得通俗易懂，写的挺好。就摘出来了。备注：如有侵权，请告知删除。1. 神经网络的基本概念人工神经网络包括多个神经网络层，如卷积层、全连接层、LSTM等，每一层又包括很多神经元，超过三层的非线性神经网络都可以被称为深度神经网络。通俗的讲，深度学习的模型可以视为是输入到输出的映射函数，如图像到高级语义（美女）的映射，足够深的神经网络理论上可以拟合任何复杂的函数。因此神经网络非常适合学习样本数据的内在规律和表示层次，对文字、图像和语音任务有很好的适用性。
2021-03-03 08:25:46
409
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人