DSConv 是ICCV2023 提出的一种受变形卷积启发提出的融合拓扑控制的卷积，其主要针对血管类似的细长形态目标的分割，具体内容可以去阅读论文：https://arxiv.org/abs/2307.08388 所以如果你的项目中有类似血管这种细长形态的目标，可以尝试一下蛇形卷积 代码链接 ：https://github.com/YaoleiQi/DSCNet 主要文件就是 DSConv.py，首先测试了经过DSConv的维度前后变化， from models.DSConv_dev import My_DSCon…

个人理解： 使用 集成 多个学生网络 来预测 经过在其他数据集预训练的老师网络，通过这种所谓的 预测不确定性 ，各学生网络 针对同一张图片【图片中的各个patch p(r,c)】 老师的输出作为 回归目标；此时 学生网络的预测不确定性和回归的误差 就作为了异常分数； 进一步，为了得到一个 能够输出 discriminative embeddings 的老师网络，作者使用了 两种方法来实现这一效果： 蒸馏一个效率低但性能强大的 分类网络 知识，这里面涉及到的一个损失 L_k 自监督 metric learning t…

Abstract mask rcnn 是在 Faster r-cnn 基础上增加了一个 mask预测分支，因此被命名 检测速度大概 在 5fps mask rcnn 也适用于其他任务，如人体姿态估计 Introduction 视觉社区在很短的时间内，对目标检测和语义分割的结果进行了迅速改进。 在很大程度上，这些进步是由强大的 baseline system 驱动的，例如，Fast/Faster R-CNN 和 FCN 分别用于物体检测和语义分割。这些方法在概念上是直观的，并提供了灵活性和稳健性，同时还有快速的训练和…

在学习 numpy，torch 时，在很多运算中，我们都会遇到 axis or dim 这个参数 之前学习的时候，一个API 也就过去了，但有时候在一个具体的场景里，又会对这个 axis (dim) 需要进行 考虑，而不是直接调用 API扔进去就行，因此我们需要去搞明白这个 axis，dim，本文理解起来，非常友好，同时在最后也可以引起大家一些思考。 ok，让我们开始，首先直接给出观点 axis 或者 dim 是方向 ！ 三维 import numpy as np # 生成数据 模仿图片 shape c w h i…

最近在学习的过程中，遇到了一些场景，需要查看 pytorch 模型 结构，对权重文件进行修改，然后再加载，这里记录一下 处理流程以及相关的知识 查看保存的pth信息 有些pth文件只保存了 模型权重 有些pth文件保存的信息更多，有 model，optimizer，scheduler

场景：labelme标注完成，有对应图片的标注json文件 需求：制作数据集 写在前面 代码部分是对图片和标注文件进行划分，最后仍需要使用脚本文件完成合并

ResNet是视觉领域的一个重要模型，其残差连接的思想更是影响了后续很多模型的设计。 总算是把这玩意儿给折腾出来了，后续更新一个使用搭建的ResNet训练案例。 自己动手实现，强烈建议手动debug一遍，加深理解。