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

ConvNeXt 改进 ：ConvNeXt添加MKDConv(多核深度卷积，ICCV 2025)，二次创新CNBlock结构 ，独家首发

本文解析的是发表于 ICCVW 2025 的轻量化医学影像分割网络 MK-UNet。在医学图像处理领域，病灶（如肿瘤、息肉）的尺度变化剧烈，传统的单核 CNN 难以平衡局部细节与全局上下文，而 Transformer 模型虽性能优异但计算开销巨大。MK-UNet 提出了一种多核卷积块（MK-Block），通过并行集成不同尺寸的卷积核，使模型在保持极低参数量（仅 1.5M 左右）的同时，具备强大的多尺度特征感知能力。

适用于分割模型的ConvNeXt——ConvNeXt + +（与项目总结）

注：本模型仍在测试与改进阶段，由于解码器部分是由自己借鉴Unet模型设计，如果发现bug或者更好的改进方法设计理念欢迎私信！

Scissor算法实战：利用bulkRNA表型数据精准定位单细胞亚群

本文详细介绍了Scissor算法的实战应用，该算法通过整合bulkRNA-seq的丰富表型信息与单细胞数据，精准识别与特定临床结局（如不良预后）相关的单细胞亚群。文章深入解析了算法三步走的核心思想，并提供了适配Seurat v5的完整代码解决方案，帮助研究者从海量数据中提炼具有生物学和临床价值的洞见。

ConvNext-Pytorch实现心肾脾胰器官分割

一、论文 论文介绍：https://mp.weixin.qq.com/s/XrWkD0UEomnt0l-8dc5hWg 原文：https://arxiv.org/abs/2201.03545 我的code（四分类分割）：ConvNext_Seg: Pytorch复现ConvNext网络，实现心肾脾胰器官分割(2D) (gitee.com) 作者认为VIT的优异之处在于它本身的独特优异。这里介绍的ConvNeXt就是CNN的一个很好的反击，它在保持CNN结构的基础之上，通过“抄袭”SwinT...

保姆级教程：手把手教你从NASA Earthdata免费下载ASTER L2地表温度数据（附shp文件拖拽技巧）

本文提供了一份详细的ASTER L2地表温度数据下载指南，涵盖从NASA Earthdata注册、数据定位到shp文件拖拽技巧的全流程。特别针对新手常见问题如邮箱选择、密码设置、云量筛选等给出实用解决方案，帮助用户高效获取遥感数据并避免常见陷阱。

STM32笔记：高精度脉冲宽度计 双输入捕获+DMA方式

本文介绍如何用STM32F107VC实现高精度的脉冲宽度计（测量周期脉冲的占空比）。 采用定时器的外部输入捕获功能，双输入+DMA方式，追求硬件的极限表现。

Bridging ConvNeXt and U-Net for medical image segmentation

最近在收集论文时发现一篇比较有趣的论文，当提到ConvNeXt时，大家应该都知道，比较这个网络跟Transformer 一较高低的网络，在前段时间transformer 很多的时候，涌现了许多将transformer和U-Net 相结合的网络，现在有人将ConvNeXt网络与U-Net 进行了组合，其实整个论文思路很简单。我在这里推荐这篇文章并不是说这篇文章结构多么精巧，设计多么新颖。我只是想说一篇论文成功发表的关键点不是你想法多么新颖，而是在你整篇论文写法。

国科大学习资料--人工智能原理与算法-第六次作业解析（学长整理）

国科大学习资料–人工智能原理与算法-第六次作业解析（张文生老师主讲）（6.6、6.7、6.11） 6.6 说明如何通过使用辅助变量把诸如A+B=C这样的三元约束转变成三个二元约束。假设值域是有限的。（提示：考虑引进新变量表示变量对的值，引进约束如“X是Y变量对中的第一个元素”。）然后说明如何把多于三个变量的约束类似地转换为二元约束。说明如何通过改变变量的值域来消除一元约束。这就完整演示了任何CSP都可以转变为只含二元约束的CSP。 答：首先，我们引入一个新变量AB,假设A和B的范围均为N,AB的范围为N×N

Unet 细胞分割

unet 细胞分割 模板（多分类）

SAP Group Reporting入门指南（11）--配置

这里选择的是FS项目目标属性，FS项目有四个目标属性，比如上图配置的是抵消目标属性，所以就去找触发FS项目的抵消目标属性配置的是哪个FS项目，就以这个FS项目作为贷方。这里选择的是FS项目目标属性，FS项目有四个目标属性，比如上图配置的是抵消目标属性，所以就去找源FS项目的抵消目标属性配置的是哪个FS项目，就以这个FS项目作为借方。例如，添加一个包含用于存储百分比的 FS 项的选项。这里选择的是FS项目的角色属性值，如果这里定义了，那么就从FS项目中找到FS项目角色属性值与之匹配的FS项目作为贷方。

【即插即用模块】注意力篇 | TGRS 2025 | ASD：自适应频域解耦，动态拆分高低频+空间注意力，频域空间特征双增强！

摘要： FDMF-Net提出了一种频域解耦多模态融合网络，核心组件为振幅谱解耦模块(ASD)。ASD通过自适应频域拆分和频域-空域协同增强，有效分离模态不变与模态特定特征。该模块利用MLP学习动态阈值调整高低频比例，并通过空间注意力分别强化频域特征，在遥感语义分割任务中实现了细节与结构的协同增强。实验表明，ASD模块能减少模态内冗余，提升特征判别性，为多模态数据融合提供了新思路。代码已开源，适用于需要强化细节与结构的视觉任务。

DB-UNet: MLP Based Dual Branch UNet for Accurate Vessel Segmentation in OCTA Images 论文总结

DB-UNet: MLP Based Dual Branch UNet for Accurate Vessel Segmentation in OCTA Images 论文总结

RT-DETR改进策略【RT-DETR和Mamba】| CVPR 2025：EfficientViM 压缩隐藏状态空间进行通道混合、单头设计减少内存操作，提升目标检测效率与精度

本文记录的是利用模块优化的目标检测网络模型。EfficientViM Block（基于隐藏状态混合器的状态空间对偶性模块） 的设计旨在，提升特征提取效率，同时兼顾全局依赖捕捉与局部细节保留。本文将深入研究的原理，并将其应用到中，通过重构特征提取流程、减少内存绑定操作、融合多阶段特征，增强模型在资源受限环境下的检测性能与速度。Depth Information Assisted Collaborative Mutual Promotion Network for Single Image DehazingLE

375FPS! 谷歌提出MaskConver“重校正用于全景分割的纯卷积模型

近年来，基于Transformer的模型由于其强大的建模能力以及对语义类和实例类的统一表示为全局二值掩码，在全景分割中占据主导地位。在本文中，。在这种程度上，它创建了一个轻量级类嵌入模块，当多个中心共存于同一位置时，可以打破这种联系。此外，我们的研究表明，。我们介绍了一个功能强大的，它缩小了卷积和基于Transfoormer模型之间的性能差距。

工业视觉实战：用摄像头+AI高精度测量钢板尺寸（附深度分析）

摘要： 钢铁制造业正加速采用基于摄像头与深度学习的视觉测量技术，以取代传统人工测量，实现钢板长、宽、高（厚）的非接触、高精度在线检测。核心方案包括单目视觉（低成本但受限于变形）、双目/多目立体视觉（可精确测量变形钢板）及3D激光扫描（微米级精度）。系统精度受硬件（相机分辨率、镜头）、算法（亚像素技术）及环境稳定性共同影响，综合精度可达±0.1mm。实战中需重点解决热膨胀（需红外测温实时补偿）和钢板变形（必须采用三维方案）两大挑战，并通过工程化设计（散热、防振）确保系统可靠运行。该技术需融合光学、机械与算法，

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

UNeXt: a Low-Dose CT denoising UNet model with the modified ConvNeXt block

近几十年来，临床医生广泛使用计算机断层扫描(CT)进行医学诊断。医疗辐射有潜在危险，因此需要减少CT扫描中的射线辐射。然而，辐射剂量的减少会导致噪声和伪影的增加。本文采用基于UNet的卷积神经网络(CNN)新架构对低剂量CT图像(LDCT)进行去噪，并与正常剂量图像(NDCT)进行对比。多特征提取块(multi-feature extraction block，MFEB)在不同的接受域中获取额外的特征。提出了改进的CT图像ConvNeXt块(CTNeXt)，用于提取不同尺度的不同特征数据。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

UNet-2022: Exploring Dynamics in Non-isomorphic Architecture

最近的医学图像分割模型大多是混合的，它将自注意层和卷积层整合到非同构体系结构中。然而，这些方法的一个潜在缺点是，它们未能直观地解释为什么这种混合组合方式是有益的，这使得后续工作很难在其基础上进行改进。为了解决这个问题，我们首先分析了自我注意和卷积的权重分配机制之间的差异。在此基础上，我们提出构造一个并行非同构块，利用自注意和卷积的简单并行化。我们将所得到的u形分割模型命名为UNet-2022。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

卷积架构的进一步挖掘：ConvNeXt，RepLKNet，HRNet

两个新方法来自CVPR2022的两篇文章，ConvNeXt：A ConvNet for the 2020s，RepLKNet：Scaling Up Your Kernels to 31x31: Revisiting Large Kernel Design in CNNs，额外补充一个方法HRNet来自TPAMI2019：Deep High-Resolution Representation Learning for Visual RecognitionFacebook AI Research和UC Berk

ConvNeXt网络模型

ConvNeXt网络模型

TGDAUNet: Transformer and GCNN based dual-branch attention UNetfor medical image segmentation

TGDAUNet:基于Transformer和GCNN的医学图像分割双分支关注网络 摘要： 医学图像的准确、自动分割是临床诊断和分析的关键步骤。目前，随着Transformers模型在计算机视觉领域的成功应用，研究人员开始逐步探索Transformers在图像医学分割中的应用，特别是与具有编解码结构的卷积神经网络相结合，在医学分割领域取得了显著的成果。然而，大多数研究将transformer与cnn结合在一个单一尺度上，或者只处理最高级别的语义特征信息，而忽略了低级语义特征信息中丰富的位置信息。同时，对

CV中常用Backbone-2：ConvNeXt模型详解及其代码

提到的论文中可能在学术上可以提供的参考意义不大，毕竟都是拿来主义，先不管他为什么这样只要能够起到好的作用那他就是好的模型（🤪🤪🤪🤪🤪），另外一点值得注意的是在convNeXt论文出发点是：通过实验来证明Vit效果好的原因不是因为attention本身，而是因为transform的超大感受野和各种trick（我在卷积上使用Vit的操作，结果也可以实现这个效果，卷积不输你Vit！原创作者: Big-Yellow。

DS-UNeXt

现在基于U型结构的卷积神经网络广泛应用于医学图像分割任务中。由于卷积运算的固有局部性，基于cnn的方法很难使用swing - unet学习和。然而，我们发现UNet和swing - UNet在小目标上的有不好的分割性能。针对这一问题，本文提出了一种深度可分的。DS-UNeXt网络有更大的接受域来提取特征，这有助于提高多尺度医疗分割的性能。在DSUNeXt中，提出了并行深度可分空间池化**(PDSP)多个并行深度可分离卷积组成**，增强了高级语义特征。

《PanFusion：Taming Stable Diffusion for Text to 360 Panorama Image Generation》学习——双分支全景图像扩散生成

生成模型（如Stable Diffusion）已能从文本提示生成逼真图像，但生成360度全景图像仍面临挑战，主要因为缺乏配对的文本-全景数据和全景图像与透视图像之间的域差异。本文提出了PanFusion，一个双分支扩散模型，利用Stable Diffusion模型的自然图像生成知识，并将其与全景分支注册，以生成360度图像。通过独特的跨注意力机制（EPPA），最小化在协作去噪过程中的失真。

【nnUNet系列】MedNeXt

MedNeXt是ConvNeXT的改进版，是大卷积核分割网络，作者设计了一种带残差的。上采样和下采样块，以保持跨尺度的语义丰富性，对小卷积核网络进行上采样来迭代增加。该网络各有 4 个对称编码器和解码器层，中间嵌入一个瓶颈层。大小，以防止有限医疗数据的性能饱和。

【YOLO改进】换遍MMPretrain主干网络之ConvNeXt-Tiny（基于MMYOLO）

ConvNeXt-Tiny 是一种改进的卷积神经网络架构，其设计目的是在保持传统卷积神经网络优势的同时，借鉴了一些Transformer架构的成功经验。： ConvNeXt-Tiny 采用了更大范围的卷积核和较少的池化操作，这使得它在同样的计算预算下，能够捕捉到更丰富的特征信息，提高了模型的性能。其优化的卷积架构可以在保证精度的同时，提供更快的推理速度。： ConvNeXt-Tiny 的模型大小和复杂度适中，这使得它可以在保持高检测精度的同时，不会大幅增加YOLO网络的计算负担。

VM-Unet-文章阅读

（SSM-based approaches）：是近年来新兴的技术路径，以 Mamba、VMamba 等模型为基础，既能像 Transformer 一样建模长距离上下文信息，又能保持与输入尺寸相关的线性计算复杂度，目前在医学图像分割领域的应用尚处于探索阶段（如文中提及的 UMamba、SegMamba 等混合模型），而 VM-UNet 正是针对 “纯 SSM-based 方法” 的空白所提出的研究。接着，如图 3（b）所示，扫描合并操作会对四个方向的序列进行求和与合并，使输出图像恢复到与输入图像相同的尺寸。