jinfeng2411-CSDN博客

原创使用 CC-359 数据集进行 MRI 重建（三）

在上一篇中，我们观察了 CC-359 数据集。本篇，我们将利用 CC-359 数据集进行 MRI 的重建。关于 MRI 的重建，我将提供两种方法：方法一：直接建立零填充的欠采样图像到全采样图像之间的映射，具体操作如下，对于 CC-359 数据集中的原始数据(target-k-space，256x256x2)，经欠采样得到(under-K-space，256x256x2)，对它们进行逆傅里叶变换，分别得到全采样图像(target-img，256x256) 和零填充的欠采样图像(under-

2020-12-30 12:02:08 2483 6

原创使用 CC-359 数据集进行 MRI 重建（二）

在这篇博客里，我们将学会如何使用 CC-359 数据集中的数据。这里我们针对 CC-359 中的 single_coil 部分。CC-359 官网下载地址为：CC-359数据集由于访问官网需要科学上网，这里我也放了一份到百度网盘中，方便大家下载。提取码：c9yt首先我们需要明确是，这份数据集以 numpy 数组形式存储，其中的数据是图像的频域数据。代码如下：import torchimport matplotlib.pyplot as pltimport numpy as npi

2020-12-28 12:25:26 2659 17

原创使用 CC-359 数据集进行 MRI 重建（一）

相对于其它的视觉任务，如超分、去噪等，MRI 重建的数据集相对较少，我所只的两个比较正规的数据集为：它们都提供了K空间的原始数据(复数)（1）Facebook AI Research (FAIR) and NYU Langone Health 发布的 fastMRI，官网上也给出相应的 github 指导新手快速上手，所用的深度学习框架为 pytorch ，但是这个数据集非常的大，singlecoil 部分的数据集有100G左右，multicoil 部分的数据集更是达到了 1000G。同时数据集的空间尺寸为

2020-12-28 11:57:24 2518 1

原创在类的静态成员函数中使用类的非静态成员

参考文章：《Linux高性能服务器编程》游双我们知道，类的静态成员函数只能访问类的静态数据成员和类的其他静态函数，eg：#include<iostream>using namespace std;class A{public: static void func1() { func2(); //func3(); //会报错 } static vo.

2020-09-10 21:18:35 1348

原创 C++ static 关键字的一些常见用法

参考文章：https://www.runoob.com/w3cnote/cpp-static-usage.html1、static 修饰函数内部的局部变量static 局部变量只执行初始化一次，不会因为函数的退出而销毁，直到程序运行结束以后才释放。（相对于局部变量，static 局部变量延长了普通局部变量的生命周期；相对于全局变量，static 局部变量保持了普通局部变量的作用域，即块外不可访问）。eg：#include<iostream>using namespace.

2020-09-09 16:21:56 166

原创《Structure-Preserving Super Resolution with Gradient Guidance》论文阅读

一、简介虽然 GAN 可以使 SISR(单幅图像超分)生成比较真实的图像(photo-realistic images)，但生成的图像中仍然会存在一些结构性失真。为了缓解这个问题，本文提出了 SPSR 网络模型，利用图像的梯度图(gradient maps)去引导 SISR 过程，在保留 GAN 的优点的同时，也保留了图像的结构信息。二、本文方法本文所提出的 SPSR 网络结构模...

2020-04-21 22:59:12 3159 1

原创 MobileNets —— v1，v2，v3

原文地址：1、v1：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications2、v2：MobileNetV2: Inverted Residuals and Linear Bottlenecks3、v3：Searching for MobileNetV3v1:为了在...

2020-03-19 17:46:29 308

原创 Deformable Convolutional Networks——v1 and v2，可变形卷积

V1：Deformable Convolutional NetworksV2：Deformable ConvNets v2: More Deformable, Better ResultsV1：卷积神经网络（CNNs）由于卷积模块固定的几何结构，导致其不能够很好地建模几何形变（geometric transformations）。本文提出了两个可以用于提高CNNs建模几何形变能力...

2020-03-11 23:59:00 1049

原创《Non-local Neural Networks》论文阅读

原文地址：https://arxiv.org/abs/1711.07971一、简介无论是卷积操作（convolutional operation）还是循环操作（recurrent operation），都是在一个邻域内进行的处理。本文受到 Non-local means 的启发，提出了一个可以集成在神经网络中的非局部操作——Non-local Block，来捕获神经网络中的...

2020-03-09 09:33:44 345

原创《VESR-Net: The Winning Solution to Youku Video Enhancement and Super-Resolution Challenge》论文阅读

原文链接：https://arxiv.org/pdf/2003.02115.pdf这篇论文获得了 “阿里巴巴优酷视频增强和超分辨率挑战赛” 的第一名，其整体的网络结构如下：其中几个重要的模块如下：1、PCD Convolution：将邻近帧与参考帧进行对齐2、Seperate Non-Local：将不同帧所包含的信息进行融合3、CRAB：通道注意力残差模块一、PC...

2020-03-08 15:20:40 1348 1

原创《Meta-Transfer Learning for Zero-Shot Super-Resolution》论文阅读

《基于元-迁移学习的零样本超分辨率》一、简介1、SISR基于图像地退化模型：其中为LR图像，为HR图像，为模糊核(blur kernel)，为下采样的尺度因子，为高斯白噪声。在SISR（单幅图像超分）领域，大多数CNNs方法的缺点：（1）通过使用大量的外部样本数据进行监督学习，获得了显著的图像超分效果。然而对于一张特定的待超分图像而言，这些方法不能够很好地...

2020-03-06 16:43:16 3108

原创《“Zero-Shot” Super-Resolution using Deep Internal Learning》论文阅读

github地址：https://github.com/assafshocher/ZSSR一、简介本文提出了一种基于深度学习的SR(超分)方法——ZSSR，与以往的深度学习方法需要依赖大量数据集不同，本文强调“Zero-Shot”，即 0 样本学习（其实是在测试阶段，从待超分的LR图像中提取出一些训练对，来进行训练）。ZSSR利用了图像的非局部自相似性——即对于大多数自然图像而言，图像某一...

2020-02-02 21:11:32 1658 1

原创《Recurrent Back-Projection Network for Video Super-Resolution》论文阅读

原文github地址一、简介1、超分（SR）领域的划分：（1）单幅图像超分（Single-Image SR，SISR）：输入一幅图像，输出一幅图像常用策略：更好的上采样方式（better up-sampling layers）、残差学习（residual learing）、反向映射（back-projection）、循环层（recursive layers）和逐级上采样（progr...

2019-12-14 16:34:32 494

原创《Frame-Recurrent Video Super-Resolution》论文阅读

论文地址：https://github.com/msmsajjadi/FRVSR一、常用视频超分方法：将视频超分任务（video SR task）看成多帧超分任务（multi-frame SR task，多幅LR图像生成一幅HR图像）:（1）利用输入帧和与输入帧相邻的帧图像，去生成单幅的输出帧（eg：用、、生成）。（2）通过滑窗的方式将（1）中方法作用在整个视频上，形成超分...

2019-12-13 21:13:37 966

原创《CFSNet: Toward a Controllable Feature Space for Image Restoration》论文阅读

论文地址：CFSNet: Toward a Controllable Feature Space for Image Restoration1、Motivation:（1）大部分的深度学习方法都是针对特定任务和特定数据集的，缺乏灵活性。（2）不同的人对同一幅图像质量的评价存在主观因素（有的人倾向于低失真，有的人倾向于高视觉效果），并且低失真（low distortion ）与好的视觉效...

2019-12-06 19:42:23 884 2

原创 pytorch 中的 torch.nn.RNN 的参数

1、定义RNN的网络结构的参数（类似于CNN中定义 in_channel，out_channel，kernel_size等等） input_size 输入x的特征大小(以mnist图像为例，特征大小为28*28 = 784) hidden_size 隐藏层h的特征大小 num_layers 循环层的数量（RNN中重复的部分）...

2019-11-29 10:07:15 2751

原创《Deep Learning for Image Super-resolution: A Survey》之 Loss Functions

本文节选自论文：Deep Learning for Image Super-resolution: A Survey在图像超分中，用损失函数来衡量重建图像与真实图像之间的差异，并以此来引导模型的优化。关于超分中常用的损失函数（Loss Functions）的总结：1、Pixel Loss（基于像素级的损失）包含loss（平均绝对值误差）、loss（均方误差）其中，为重...

2019-11-22 19:53:03 1185

原创《Deep Learning for Image Super-resolution: A Survey》之 Upsampling Methods

本文节选自论文：Deep Learning for Image Super-resolution: A Survey关于图像超分中上采样（Upsampling）方法的总结：1、Interpolation-based Upsampling（基于插值的上采样方法）（1）Nearest-neighbor Interpolation（最近邻插值）选取最靠近的点作为待插入位置的像素值。优...

2019-11-20 22:40:53 348

原创《Deep Learning for Image Super-resolution: A Survey》之 Super-resolution Frameworks

本文节选自论文：Deep Learning for Image Super-resolution: A Survey关于超分任务的一些框架总结：1、Pre-upsampling Super-resolution直接将一幅图像从低维空间映射到高维空间是很困难的，因此早期的超分辨率基本使用的都是这种方法。这种方法首先通过传统上采样方法（如：bicubic等）获得一个初始的高分辨率图像...

2019-11-19 19:17:48 386

原创图像中一些“即插即用”的基本网络结构块

本文主要参考文章：【1】Wenming Yang, Xuechen Zhang, Yapeng Tian, Wei Wang, Jing-Hao Xue. Deep Learning for Single Image Super-Resolution: A Brief Review. arxiv, 2018.【2】Saeed Anwar, Salman Khan, Nick Barnes....

2019-11-19 17:50:03 805

原创全新 ubuntu18.04 + nvidia显卡配置 + cuda_10.0 + cudnn v7.4.1 + Anaconda_5.2.0 + pytorch 配置

最近新买了一块显卡，准备配个pytorch环境，网上教程一大堆，能用的、清晰明了的没几个，被迫重装了几次系统才搞定，在此记录一下，以防下次用到。全新ubuntu18准备工作：1、更换阿里源：https://blog.csdn.net/once_pluto/article/details/83384866（不然很多软件装得很慢或装不了）2、安装 build-essential（它能帮你装...

2019-11-15 09:19:08 230

原创用sklearn中的SVM画数据的分类面

参考博客：https://blog.csdn.net/qq_33039859/article/details/69810788所用数据如下：代码如下，有详细注释：from sklearn import svmimport numpy as npimport matplotlib.pyplot as pltdataset = np.array([[1,2,1], ...

2019-10-29 17:11:43 836

原创 .nii.gz 图片文件的读取

数据集的来源：2013 MICCAI Challenge Workshop on Segmentation: Algorithms, Theory and Applications (“SATA”)举例所用数据集：百度网盘验证码：ctcv参考链接：1、如何处理.nii文件 2、DAGAN的github地址具体代码如下：# #导入...

2019-10-27 18:36:08 3675 3

原创 python 中 argparse 模块基本用法

具体用法：https://docs.python.org/3/library/argparse.html由于看别人代码时，前面基本都会用到这个命令行参数解析模块，因此记录一下简单的用法，具体用法请参考上面链接直接上图：一般流程：导入 ‘argparse’ 模块创建一个 ‘argparse.ArgumentParser()’ 对象用 ‘add_argument()’ ...

2019-10-19 16:01:25 159

原创《Lightweight Image Super-Resolution with Information Multi-distillation Network》论文阅读

原文与代码 github地址论文的贡献（Contributions）：（1）提出了轻量级的信息多重蒸馏网络（IMDN）以及它的基本组成块（IMDB）（2）提出了基于对比度的通道注意力（ Contrast-aware channel attention(CCA) ）（3）提出了自适应裁剪策略（ Adaptive cropping strategy(ACS)）（4）发现了执行速度...

2019-10-16 11:48:14 6129 2

原创 AD16的基本操作之亲手制作一个简单的双层板（原理图到 PCB 到提交厂商）（二）

在上面一篇博客中，我们已经完成了原理图的绘制。接下来继续PCB板的绘制。1、在工程名上右键，给工程添加新的PCB文件2、保存并命名PCB文件3、在原理图文件中选择设计->Update...4、在弹出的框中选择“生效更改”，若后面都是绿色的对号，则说明原理图没问题；此时再点击“执行更改”，等器件成功加载到PCB文件后，再点击“关闭”。5 、加载好的器件如下...

2019-10-14 22:47:14 9287 4

原创 AD16的基本操作之亲手制作一个简单的双层板（原理图到 PCB 到提交厂商）（一）

最近由于实验室项目的原因，不得不学习一下AD16的画板操作。本科没弄明白的东西，研究生自己补回来了。不得不说，deadline 真的是第一生产力。在此记录一下，供自己和大家参考。1、新建工程PCB工程，话不多说，看图2、在新建工程名上右键，添加原理图文件3、保存为 test.SchDoc4、ok，现在可以画原理图了，我们做一个简单的线性降压模块作为示范5、先添加一...

2019-10-14 20:44:05 5453 2

原创 nn.AdaptiveAvgPool2d() 与 nn.AvgPool2d() 模块的区别

两者都是做二维的平均池化，但是它们关注的参数却不一样。1、nn.AvgPool2d() 模块模块原型为其中参数为一般我们使用它的时候，只需要关注 kernel_size 、stride 与 padding 三个参数就行了，最后输出的尺寸为：其中，x 表示输入的维度大小， y 表示对应输出的维度大小。2、nn.AdaptiveAvgPool2d() 模块...

2019-10-13 21:24:46 40997 6

原创静态MRI重建的方法总结——关于传统方法和深度学习方法

问题来源：核磁共振成像有着诸多的优点，如准确、成像过程无害等等，然而制约其进一步发展的主要原因是数据采集时间过长。如何加快成像速度，主要有三个方面：（1）设计出更快的采集序列，如快速自旋回波序列（FSE）、梯度回波序列(GRE)等等；（2）采用多个线圈进行并行成像；（3）先进行欠采样（只采集部分数据点，如15%，20%等），再利用图像的先验知识进行重建。我们主要关注的是第三个方法，欠采样——&...

2019-10-12 20:56:13 4187 1

原创《CBAM: Convolutional Block Attention Module》论文阅读之 Channel Attention 与 Spatial Attention

为了提高神经网络的性能，许多研究都集中在 “depth, width, and cardinality” 上，而本文的重点在 “Attention”。“注意力机制（Attention mechanism）”听起来很高大上，实际上是关于调整权重的问题，这篇论文提出了一个“即插即用的”的网络结构——CBAM，能够很方便的加到其他的CNN结构中。CBAM利用了通道注意力（channel attent...

2019-10-12 19:45:17 3516

原创写在前面

研究生生涯开始了，决定开始写博客了。原因有三：1、自己平时遇到问题的时候也习惯性地去看一看别人的博客，觉得这东西对大家还是有点用处的；2、记录一下自己平时遇到的问题和看法，方便以后查找；3、赚点积分（PS：积分竟然不能用来下载，我要这积分有何用？？？）。为了这小小的追求，希望自己坚持下去。祭出我女神，保佑我前行。...

2019-10-11 21:23:42 178

qq_34706871的博客