不吃饭就会放大招-CSDN博客

原创 matplotlib绘图：figure和axes有什么区别？

画了这么久的图，脑子里还是乱的，每次想实现个效果都能查到不同的实现方法，什么啦，啦，看起来好像都能达到目的？特别是到了精调绘图细节，比如坐标轴范围、数字方向、标题等东西，更是头大，每次都要试来试去。决定好好理一下 matplotlib 到底怎么用🤦‍♀️🤦‍♀️🤦‍♀️首先搞清楚了一直以来的疑惑（借用官方文档的一幅图说明）：Figure，Axes，Axis 这三个是什么关系。（图片来自：Usage）- Figure：红色的外框，其实可以把它理解为一个大画板，我们所有的内容都会画在这个“画板...

2020-04-13 21:30:39 11143 11

原创论文常用图表四：Bland-Altman图【MedCalc】

关于数据一致性分析，参考：数据一致性分析 & Bland-Altman图对同一组样本进行测试，得到两组测试结果 GT 和 X，将 GT 作为 “金标准”，评估 X 与 GT 的一致性。【绘制方法】第一列为 GT，第二列为 X，每组数据的第一行填名称。在 MedCalc 菜单栏依次选择：纵坐标选择：在散点图上右箭点击，选择可以得到散点图的具体信息。两种方法测量结果的一致程度越高，代表差值平均数的线（蓝色实线）就越接近代表差值平均数为 0 的线（橘黄色虚线）。根据 95% 一致性界限外

2020-01-06 09:54:51 19550 3

原创恢复特征图分辨率的方式对比：反卷积，上池化，上采样

利用 CNN 做有关图像的任务时，肯定会遇到需要从低分辨率图像恢复到到高分辨率图像的问题。解决方法目前无非就是 1）插值，2）反卷积一般上采样 (upsamping) 就使用了插值法，包括 “最近邻插值”，“双线性插值”，“双三次插值”。这些方向好比时手工的特征工程，网络是不会对此有任何学习行为的。如果想要让网络学习如何才能最优地进行上采样，就可以使用转置卷积，转置卷积没有预先定义好的插值方法，而是具有可学习的参数。卷积（Convolution）的主要目的就是对事物进行特征提取，然后根据特征对其进行

2019-12-03 09:22:39 5898

原创 MatLab求取多个闭合区域的轮廓、面积和bbox

要对如下所示的二值标签图做如下处理：问题一：获取每一个闭合小区域的轮廓曲线坐标，可以直接使用 bwboundaries 函数进行处理。此时为一个的元胞数组，为闭合区域的个数，每个 cell 中存储了一个区域的轮廓坐标点，且坐标点是按照轮廓曲线顺时针方向存储的。问题二：要获取每一个小区域的面积，简单计算二值矩阵中不为 0 的元素个数已经不再适用。考虑先用 bwlabel 对标签的不同区域打上标记，默认按照 8 联通。然后可以根据标记像素值求取每个小区域的面积。这样就能分别求出两个区域的面积。

2019-11-04 10:07:49 15024 2

翻译 ITK-SNAP使用教程

官方文档：http://www.itksnap.org/docs/fullmanual.php提供用于 3D 图像分割的工具包，SNAP 有两种不同的使用模式：1）人工分割；2）半自动分割人工分割模式：1）手动标记分割轮廓；2）修正自动分割的结果半自动分割：使用了分割算法对 3D 解剖结构进行分割，这种分割算法需要用户的 guidance，而 SNAP 就提供了进行 guidance 的接口SNAP 可用于分割各种 3D 图像，但条件是图像必须均匀。也就是每个像素须具有单个强度值所以应用范围是 MRI

2019-10-23 00:02:18 34678 16

原创验证集和测试集的区别？

昨天一直在想验证集和测试集的问题，越想越迷…问题是这样的，大部分网络的训练都是这么一个套路：训练迭代 n 个 epoch 以后就进行一次验证，然后网络会输出在验证集上的 loss 或者其他评价指标。所以如果我直接把测试集作为验证集，不就可以看到每隔 n 个 epoch 模型在测试集上的表现了嘛？而且训练结束前的最后一次验证也就相当于测试了，反正验证集又不会被训练，这样还省的做测试了。=============== 查资料后的一点理解 =================参考文章：https://blog.cs

2019-08-02 15:06:10 41445 23

原创 LabelMe使用

LabelMe 可用于实例分割，语义分割，目标检测，分类任务的数据集标注工作。在线标注版本：http://labelme2.csail.mit.edu/Release3.0/index.php?message=1python 版本：https://github.com/wkentaro/labelme分类标注：Classification目标检测标注：Object Detection语义分割标注：Semantic Segmentation实例分割标注：Instance Segmentation视频

2019-07-11 15:19:09 23146 30

原创【论文笔记】FCN：Fully Convolutional Networks for Semantic Segmentation

《Fully Convolutional Networks for Semantic Segmentation》，CVPR 2015论文核心思想：建立全卷积网络，使其可以输入任意大小的图片，并输出一个与原图像大小相同的像素级分类结果，即 dense prediction。论文所采用的经典分类网络：将这三种网络改造成全卷积网络，将它们学习的特征表示经过 fine-tuning 转换到分割任务上来。【论文中提到，经过改造后，达到最高分类精度的是 VGG-16】论文所采用的数据集：什么是 spatially d

2019-06-25 21:05:04 9342 3

原创 RGB图像转换为BGR

早前 windows 下，不管是摄像头制造者，还是软件开发者，当时流行的都是 BGR 格式的数据结构，后面 RBG 格式才逐渐开始流行，所以当时的 opencv 选择了使用 BGR 格式，这个是 opencv 在发展过程中的历史遗留问题。而 Caffe 作为最早流行的代表，它又基于 opencv，所以也跟着使用了 BGR。其实自己训练的时候完全可以使用 RGB，新库也不存在是 RGB 还是 GBR 这个问题。但如果使用的是别人训练好的模型，就要注意一下使用的是 RGB 还是 GBR。示例：第 1 行第 1

2019-06-04 20:58:04 11874

原创关于三通道彩色图像的存储方式理解

像素值以矩阵方式保存，矩阵的大小取决于图像采用的颜色模型。如果是灰度图，那么图像就是单通道的，图像中的每个像素只需要一个矩阵元素来保存，一般就是 0~255 的值。保存灰度图的矩阵长这样：其中 Row0 和 Column0 的交点上的元素值就代表了图像上对应位置的像素的灰度值。如果是彩色图，那么图像就是多通道的，一个像素需要多个矩阵元素来保存，矩阵中的列会包含多个子列，且子列数和通道数相等。保存 RGB 图像的矩阵长这样：看看一个三通道的彩色图像是怎么组织为矩阵形式的。原图：注：opencv

2019-06-04 20:40:54 19237 8

原创 conda安装的opencv错误解决

首先导入 cv 库是没问题的：能够看到 opencv 的版本信息，但是在我使用的时候报错：原因：opencv 功能不完整坑：不要按照错误提示说的什么重新 cmake解决方法：重装 opencv：conda install --channel https://conda.anaconda.org/menpo opencv3这样安装的是 opencv3.1 版本，如果需要更高版本可...

2019-06-04 15:20:40 6341 1

原创深度学习中图像预处理为什么要减去均值？

参考： https://www.cnblogs.com/Jerry-home/p/10109460.html一般原图为黑白图片，比如 MNIST 数据集，不需要进行图片减去均值处理，而三通道的彩色图，一般都需要。原因：我们的自然图像其实是一种平稳的数据分布，即图像的每一维都服从相同的分布。所以通过减去数据对应维度的统计平均值，来消除公共的部分，以凸显个体之间的特征和差异。好处：加速训练迭...

2019-06-03 16:57:40 2988

原创 Ubuntu 16.04下Caffe的配置过程

Ubuntu < 17.04step 1：首先下载依赖：sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compilersudo apt-get install --no-install-recommends libbo...

2019-06-02 11:33:11 4563 7

原创直方图均衡原理 & MATLAB实现

结合 Gonzalez 的《数字图像处理》第 3.3.1 节，在这里总结一下直方图均衡的原理、具体实现及代码。直方图均衡（Histogram Equalization）是一种利用灰度变换自动调节图像对比度的方法，通过灰度级的概率密度函数求出灰度变换函数，它是一种以累积分布函数变换法为基础的直方图修正法。基本思想：把原始图像的灰度分布直方图变换为均匀分布的形式（有展开直方图的趋势），扩大像素灰度值的动态范围，从而增强图像对比度。用途：在图像处理领域用于增强图像的对比度缺点：直方图均衡对处理的数据不加以选

2019-06-02 11:30:21 13807

原创下采样和池化的区别

经过 @纸上得来终觉浅~ 同学指点，更新之前的错误：下采样和池化其实只是叫法不同，是同一个东西。更正：下采样和池化应该是包含关系，池化属于下采样，而下采样不局限于池化，如果卷积 stride=2，此时也可以把这种卷积叫做下采样。# 池化通常池化层紧跟在 CNN 的卷积层之后。池化方法：池化的作用：关于池化的神解释：池化 = 涨水池化的过程 = 升高水位（扩大矩阵网格）池化的目的是为了得到物体的边缘形状可以想象水要了解山立体的形状，水位低时得出山脚的形状，水位中等时得出山腰的形状，水位高时得出山顶的形状，

2019-05-20 18:24:02 14549 4

原创为什么将全连接层替换为卷积层？

卷积层的特点：稀疏连接，权值共享全连接层的特点：每个神经元都和上一层的所有神经元相连接两者的共同点：都是由上一层的输出与参数矩阵相乘从而得到下一层的输入所以我们得以得到结论，全连接层和卷积层实际上是可以相互转换的。举个例子：最后一个卷积层的输出为 7*7*512，即每个 feature map 的大小为 7*7，共有 512 个 feature map，然后通过一个全连接层得到了 1*1*4096 的输出，如下图所示：将全连接层转换为卷积层的关键就在卷积核参数的设置上，仍然用上面的例子：当这组卷积核作

2019-04-24 09:16:41 7362 5

原创 Hamming distance（汉明距离）

Hamming distance 是一种用于度量两个等长字符串之间的差异性的度量方式。它通常用于比较两个二进制字符串或等长的编码向量。Hamming 距离的计算方式非常简单，它只关注两个字符串中不同的位置，并计算它们的个数。在信息论、编码理论和计算机科学中，Hamming 距离经常被用作误码检测和纠错码设计等方面的基础概念。

2023-06-28 09:18:16 867

原创目标函数（Objective Function）、损失函数（Loss Function）与代价函数（Cost Function）

目标函数（Objective Function）、损失函数（Loss Function）、代价函数（Cost Function）在某些情况下可以互换使用，本文将详细说明它们之间有什么区别。

2023-06-21 11:38:46 1797

原创【Bug解决】AttributeError: ‘DataParallel‘ object has no attribute ‘XXX‘

报错内容：raise AttributeError("'{}' object has no attribute '{}'".format(AttributeError: 'DataParallel' object has no attribute 'XXX'报错信息的意思是 DataParallel object 没有 attribute/method XXX。

2023-04-06 23:42:56 4804 1

原创【argparse】set_defaults() 方法

Python 的 `argparse` 模块中的 set_defaults() 方法可用于指定命令行参数的默认值。当定了多个子解析器时，`.set_defaults()` 的参数 `which` 可指定用于该参数的子解析器名称。

2023-04-03 18:02:39 1568

原创【argparse】add_mutually_exclusive_group() 方法

Python 的 `argparse` 模块中的 `add_mutually_exclusive_group()` 方法用于创建一个互斥参数组，当于命令行进行参数指定时，一个互斥参数组中最多只能有一个参数被指定。

2023-04-02 20:42:05 1055

原创【argparse】main parser和sub-parsers

在 Python 的 `argparse` 模块中，可以创建一个**主解析器/父解析器（main parser）**和多个**子解析器（sub-parsers）**。其中，main parser 中定义作用于整个项目的解析器，sub-parsers 中定义特定于某一些功能的子解析器。

2023-04-02 20:04:19 428

原创【argparse】ArgumentParser

Python 的 `argparse` 模块用于解析命令行参数（command-line arguments），其中 `ArgumentParser` 类是 `argparse` 模块最重要的部分，它提供接口用于定义和使用命令行参数。

2023-04-02 18:28:18 111

原创折腾家里的龟速网络有感

要达到千兆网络的冲浪待遇，需要满足三个条件：1. 接入的网络为千兆网络：最起码你家接入的网络得是千兆网络2. 路由器/网线支持千兆网络：家庭设备联网可以通过网线（一般用在电脑），或者无线网（移动设备）接入，那么就要保证你的路由器或网线是支持千兆网络得。3. 电脑网卡支持千兆网络：对于电脑上网，还要保证你的电脑网卡支持千兆网络。以上三个条件都必须满足，才能达到千兆网络冲浪待遇，否则就会被卡在任意一个短板上。

2023-03-26 21:20:11 422 2

原创【Bug解决】curl: (77) error setting certificate verify locations: CAfile: ..ssl/cacert.pem

报错内容：curl: (77) error setting certificate verify locations:CAfile: /data/usr/local/anaconda/ssl/cacert.pemCApath: none

2023-03-23 00:27:41 4534

原创 Elsevier 期刊投稿材料的准备 & 系统投稿流程

本文内容：以 Knowledge-Based Systems 为例的 Elsevier 期刊系统投稿流程1. 投稿材料准备2. 投稿系统流程3. 投稿乱码解决方案

2023-03-13 23:25:46 17615 51

原创 Elsevier（爱思唯尔）LaTex 模板详细说明

Elsevier 模板的使用说明

2022-12-07 20:22:02 55214 151

原创 LaTex入门（二）：LaTex控制序列的作用

本文介绍 LaTeX 中最重要的两个控制序列：1）documentclass；2）usepackage

2022-12-07 15:17:47 2777

原创连续学习入门（二）：连续学习的三种类型

本文内容：1. 介绍连续学习的三种场景：1）Task-Incremental Learning，2）Domain-Incremental Learning，3）Class-Incremental Learning2. 对比三种场景的区别

2022-11-30 21:07:14 3036 5

原创连续学习入门（一）：Continual Learning / Incremental Learning / Life Long Learning 问题背景及研究挑战

本文内容：1）连续学习的问题背景，研究意义；2）连续学习研究中的关键技术挑战。

2022-11-29 17:12:47 2356

原创 Matplotlib笔记（一）：坐标轴刻度，坐标轴标签，坐标系标题设置

> 本篇内容：> 坐标轴名称（axis label）：x 轴和 y 轴名称的设置> 坐标系标题（title）：单坐标系标题、多坐标系标题、Figure 标题的设置> 坐标轴刻度（tick label）：坐标轴刻度字号大小的设置

2022-11-18 15:53:50 9591 2

原创本地浏览器打开远程服务器上的Jupyter Notebook

本地浏览器打开远程服务器上的Jupyter Notebook。配置过程及后台运行 Jupyter。

2022-11-17 14:48:46 2547

原创连续学习入门（三）：Permuted MNIST/Split MNIST/Sequential MNIST 数据集

本文介绍：1. 连续学习常用的评估数据集：Permuted MNIST，Split MNIST；2. 两个变种 MNIST 数据集在三种连续学习场景下（Task-IL，Domain-IL，Class-IL）的使用

2022-11-16 14:56:12 2383

原创贝叶斯视角下的机器学习

贝叶斯视角下的机器学习。从最大似然估计到最大后验估计，联系到机器学习中模型训练的损失函数及正则化原理。

2022-11-14 11:47:45 571

原创先验概率 / 后验概率 / 条件概率 / 全概率公式 / 贝叶斯公式

先验概率 / 后验概率 / 条件概率 / 全概率公式 / 贝叶斯公式

2022-10-27 11:10:06 1265

原创【Bug解决】NVIDIA GeForce RTX 3090 with CUDA capability sm_86 is not compatible with ...

NVIDIA GeForce RTX 3090 with CUDA capability sm_86 is not compatible with the current PyTorch installation.The current PyTorch install supports CUDA capabilities sm_37 sm_50 sm_60 sm_70.

2022-10-11 10:14:19 5859