蓝海渔夫
码龄14年
求更新 关注
提问 私信
  • 博客:94,183
    动态:5,224
    99,407
    总访问量
  • 52
    原创
  • 6,133
    粉丝
  • 42
    关注
IP属地以运营商信息为准,境内显示到省(区、市),境外显示到国家(地区)
IP 属地:江苏省
加入CSDN时间: 2012-12-02

个人简介:主要方向:图像分类,图像分割;兴趣:生成式AI;下半年目标两千粉

博客简介:

wwimhere的博客

查看详细资料
个人成就
  • 获得721次点赞
  • 内容获得86次评论
  • 获得730次收藏
  • 代码片获得4,932次分享
  • 博客总排名2,394,412名
创作历程
  • 41篇
    2024年
  • 11篇
    2023年
成就勋章
TA的专栏
  • 深度学习
    26篇
  • pytorch
    17篇
  • 非深度机器学习
    1篇
  • python及pytorch异常错误处理
    5篇
  • 大模型|AI绘画
    4篇
  • Rust & Candle
  • python
    8篇

TA关注的专栏 1

TA关注的收藏夹 0

TA关注的社区 6

TA参与的活动 0

兴趣领域 设置
  • Python
    python
  • 人工智能
    机器学习深度学习cnnpytorchtransformer分类
  • AIGC
    AI作画stable diffusionprompt
创作活动更多

1024 程序员节 · 高效创作之道活动征文

1024 程序员节来啦!今年我们邀请你用创作记录高效之道——**写一篇博文,分享你的创作经验、效率技巧或技术干货**,就有机会获得专属好礼。 **特别玩法**: - 🏆 一二三等奖不限方向,自由创作与墨衍相关创作均可参评——自由创作方向获奖者拿**卫衣/马克杯/流量券** - ✨ 如果你在创作中体验了**墨衍**(AI 创作、多平台同步、GEO 检测)并写下真实体验,你的投稿将进入**「墨衍专属创作奖」独立评审赛道**——按墨衍结合深度等专属标准**优中选优**,再拿 7 天体验卡! - 🎁 一二三等奖中的墨衍方向获奖者,同步获得墨衍 7 天体验卡! 创作方向 ### 🚀 墨衍相关创作(推荐 · 专属奖独立评审赛道) - **墨衍使用体验**:AI 创作 / 多平台同步 / GEO 检测的真实体验复盘 - **墨衍场景教程**:选题 → AI 写文 → 多平台同步 → GEO 优化一站式实操 - **墨衍 × 多平台分发**:一次创作多平台发布的效率对比与数据复盘 - **墨衍 × 1024 案例**:用墨衍辅助完成一篇 1024 主题文章的完整过程 > 投稿即进入「墨衍专属创作奖」独立评审赛道(10 名 · 7 天体验卡),不与一二三等奖合并评选,优中选优! ### ✍️ 自由创作(不限题材) 技术干货、职业成长、行业观察、程序人生……符合社区规范即可。

1323人参与 去参加
  • 最近
  • 文章
  • 专栏
  • 资源
  • 代码仓
  • 收藏
  • 关注/订阅/互动
更多
  • 最近

  • 文章

  • 专栏

  • 资源

  • 代码仓

  • 收藏

  • 关注/订阅/互动

  • 社区

  • 问答

  • 帖子

搜索 取消

嵌入式ARM系统启动引导程序

发布资源 2012.12.02 ·
doc

S3C2410中断源名称

发布资源 2012.12.02 ·
doc

图像分割论文阅读:BCU-Net: Bridging ConvNeXt and U-Net for medical image segmentation

本文提出了一种集合ConvNeXt和U-Net优势的网络模型来分割医学图像。当然,模型整体结构就是并列双分支,如果只是这些内容,不值得拿出来讲。multilabel recall loss module,简称MRL。
原创
博文更新于 2024.08.23 ·
1376 阅读 ·
6 点赞 ·
4 评论 ·
8 收藏

PyTorch构建模型网络结构的6种方式

PyTorch提供了多种方式来构建模型的网络结构,我尝试总结一下,有如下6种常见方式(可能还有我没注意到的,欢迎补充)。我们平时写代码并不一定需要掌握全部方式,但是多了解一些,对于阅读理解别人的代码显然是有帮助的。
原创
博文更新于 2024.08.23 ·
1873 阅读 ·
17 点赞 ·
0 评论 ·
34 收藏

论文阅读:自适应ViT(A-ViT)

本文来自cvpr 2022 :介绍了一种名为A-ViT(Adaptive Vision Transformer)的新方法,旨在通过自适应调整Vision Transformer的推理成本来适应不同复杂度的图像。
原创
博文更新于 2024.06.16 ·
1591 阅读 ·
22 点赞 ·
2 评论 ·
30 收藏

论文阅读:基于谱分析的全新早停策略

来自JMLR的一篇论文,这篇文章试图通过分析模型权重矩阵的频谱来解释模型,并在此基础上提出了一种用于早停的频谱标准。
原创
博文更新于 2024.06.16 ·
1740 阅读 ·
34 点赞 ·
1 评论 ·
22 收藏

论文阅读:H-ViT,一种用于医学图像配准的层级化ViT

来自CVPR的一篇文章,用CNN+Transformer混合模型做图像配准。可变形图像配准是一种在相同视场内比较或整合单模态或多模态视觉数据的技术,它旨在找到两幅图像之间的非线性映射关系。
原创
博文更新于 2024.06.13 ·
2108 阅读 ·
27 点赞 ·
3 评论 ·
25 收藏

论文阅读ReLU-KAN和Wav-KAN

这是我读KAN系列论文的第三篇,今天把两篇论文放在一起写,分别是:Wav-KAN:之所以放在一起,是因为这两篇论文针对KAN的改进思路是相似的,都是采用新的基函数,来替代KAN中的B样条函数。
原创
博文更新于 2024.06.13 ·
1263 阅读 ·
12 点赞 ·
1 评论 ·
5 收藏

论文阅读U-KAN Makes Strong Backbone for MedicalImage Segmentation and Generation

在我看来,虽然本文模型大概率并不SOTA,但是也不是非要SOTA的模型和实验才有价值。本文的价值在于验证了KAN可以用于更广泛的数据集,并且在更多场景下展现了超越和取代MLP的潜力。
原创
博文更新于 2024.06.11 ·
4332 阅读 ·
15 点赞 ·
3 评论 ·
34 收藏

论文阅读(一种新的稀疏PCA求解方式)Sparse PCA: A Geometric Approach

首先给不了解的读者补充一下稀疏PCA概念:普通PCA得到的主成分有大量非0的原始变量,所以主成分其实是不太清晰的。稀疏PCA通过减少构建主成分的变量数量,可以提高模型的可解释性、预测能力或降低操作成本。相比较而言,稀疏PCA更适用于需要模型解释性的场景。稀疏PCA 在普通PCA的基础上,引入了一个惩罚函数。这样做的目的是使得大部分系数变为零,从而凸现出主成分的主要部分。稀疏PCA的实现通常涉及到在标准的PCA优化问题中加入一个正则化项,以促使某些系数变为零。
原创
博文更新于 2024.06.11 ·
2587 阅读 ·
48 点赞 ·
1 评论 ·
14 收藏

论文阅读KAN: Kolmogorov–Arnold Networks

学习了最近大热的KAN网络。
原创
博文更新于 2024.06.09 ·
2683 阅读 ·
20 点赞 ·
1 评论 ·
29 收藏

论文阅读:Transformer的表示坍塌和过度压缩问题,Transformers need glasses!Information over-squashing in language tasks

本文是6月4号新鲜出炉的arxiv文章,探索了decoder-only Transformer的表示坍塌和过度压缩问题,感觉其思考很有意思。
原创
博文更新于 2024.06.09 ·
1656 阅读 ·
24 点赞 ·
1 评论 ·
21 收藏

论文阅读:Polyp-PVT: Polyp Segmentation with PyramidVision Transformers

这篇论文提出了一种名为Polyp-PVT的新型息肉分割框架,该框架采用金字塔视觉变换器(Pyramid Vision Transformer, PVT)作为编码器,以显式提取更强大的特征。本模型中使用到的关键技术有三个:渐进式特征融合、通道和空间注意力、自注意力。
原创
博文更新于 2024.04.12 ·
1590 阅读 ·
7 点赞 ·
2 评论 ·
9 收藏

pytorch实现胶囊网络(capsulenet)

胶囊网络分类结果不算差,在我的一些任务中train from scratch的胶囊网络就超越了imagenet1k上预训练过再finetune的vit。也超过了无预训练的VGG和resnet。(但是不如预训练过的vgg和resnet)。这样的表现放在2017年已经很能打了,没火的原因我感觉有两个:首先,由于胶囊网络迭代过程需要多次完整的特征图点乘特征图,所以内存消耗和时间消耗都是巨大的。我跑256的图时,24g显存的4090也只能把batch设置成5。另外一个原因可能是它的改进潜力不大。
原创
博文更新于 2024.04.12 ·
1948 阅读 ·
41 点赞 ·
2 评论 ·
33 收藏

图像分割论文阅读:Automatic Polyp Segmentation via Multi-scale Subtraction Network

(利用特征差值的卷积分类模型也不少,估计是作者的灵感来源)整体结构包括编码器,解码器,编码器和解码器之间是多尺度差值模块模块(MSM),以及一个额外的不需要训练的LossNet提供额外的监督信息。3)损失函数:除了常用的分割损失(如加权IoU损失和二元交叉熵损失)之外,LossNet通过计算预测和真实标签在不同层级的特征差异来生成额外的损失(Lf)。2)为了捕获不同尺度的息肉特征,MSM通过金字塔式地连接多个SUs,这些SUs具有不同的感受野,能够计算具有不同顺序和感受野的差值特征。
原创
博文更新于 2024.03.30 ·
925 阅读 ·
6 点赞 ·
1 评论 ·
6 收藏

比torchvision更强大,从timm库引用预训练模型和本地加载的方法

torchvision是大家最常用的预训练模型来源,但是其包含的预训练模型种类很少,往往并不能满足研究者们的需求。而timm库提供了一个更强大的替代选项。利用如下代码查询输出1032可知,timm内置了1032个预训练模型权重。例如ghostnet、caformer、crossvit等模型都是不在torchvision内的。
原创
博文更新于 2024.03.30 ·
4006 阅读 ·
9 点赞 ·
0 评论 ·
28 收藏

如何用pytorch调用预训练Swin Transformer中的一个Swin block模块

1,首先,我们需要知道的是,想要调用预训练的Swin Transformer模型,必须要安装pytorch2,因为pytorch1对应的torchvision中不包含Swin Transformer。3,swin_b的模型结构如下(仅展示到第一个patch merging部分),在绝大部分情况下,我们可能需要的不是整个模型,而是其中的一个模块,比如SwinTransformerBlock。2,pytorch2调用预训练模型时,不建议使用pretrained=True,这个用法即将淘汰,会报警告。
原创
博文更新于 2024.03.23 ·
3278 阅读 ·
18 点赞 ·
1 评论 ·
12 收藏

图像分割论文阅读:SSN: A STAIR-SHAPE NETWORK FOR REAL-TIME POLYP SEGMENTATION INCOLONOSCOPY IMAGES

这篇论文的主要介绍了一种名为SSN(Stair-Shape Network)的网络结构,用于实时结肠镜图像中的息肉分割。1)用于融合不同层次的特征,首先将三个尺度的输出特征进行连接,然后通过一个ConvBlock来融合这三个尺度的特征。采用简化的上采样操作(即双线性插值),而不是U-Net中的多阶段上采样和卷积层,从而显著降低了计算成本。1)在编码器和解码器之间的跳跃连接中使用,以补偿由于简化的上采样操作可能导致的特征损失。2)DAM包含通道注意力和空间注意力,用于细化每个残差块的输出特征。
原创
博文更新于 2024.03.21 ·
535 阅读 ·
3 点赞 ·
1 评论 ·
1 收藏

图像分割论文阅读:Adaptive Context Selection for Polyp Segmentation

模型的整体结构基于编码器-解码器框架,并且包含了三个关键模块:局部上下文注意力模块(LCA)、全局上下文模块(GCM)和自适应选择模块(ASM)。它的主要目的是在合并浅层特征时,通过挖掘硬样本来引导网络更加关注不确定性较高和更复杂的区域,从而实现层级特征的补充和预测的精细化。ASM模块接收来自前一个解码器块的输出特征、LCA模块生成的局部上下文特征以及GCM模块提供的全局上下文特征。注意力权重的计算是用对应位置解码器生成的预测图和一个事先设定的阈值(比如0.5)来计算的。
原创
博文更新于 2024.03.21 ·
792 阅读 ·
8 点赞 ·
1 评论 ·
0 收藏

国内外15款AI搜索引擎汇总

AI大模型的一个痛点就是训练数据有截止日期,例如chatgpt的训练数据截止日期是2021年10月。这导致模型回答截止日期之后产生的新闻事件或者专业知识时不够准确。目前,国内外公布了不少AI搜索引擎,现整理如下。将AI和搜索引擎结合起来,似乎是一种解决方式。之后可能也会出一期评测文章。
原创
博文更新于 2024.03.20 ·
5354 阅读 ·
4 点赞 ·
0 评论 ·
1 收藏
加载更多