【组会记录 | 研一下】医学影像自然图像

2023-12-30 04:48

本文主要是介绍【组会记录 | 研一下】医学影像自然图像,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

【2.25】-步态

主题:通过单帧步态图像重建步态周期的步态识别
论文:Gait Recognition from a Single Image using a Phase-Aware Gait Cycle Reconstruction Network

讨论:

1、研一下要有实质性进展/想法,至少要确定模型,这也假期可以做实验&写论文

(实际上有很多情况会导致延迟)

2、论文/讲座

(1)因为演讲者很多基础的/重要的东西没有交代清楚而导致听者不理解

(2)演讲者在讲论文的时候,先挑论文重点/中心工作 给大家讲清楚,然后再去讲实现细节(大家会清晰一点,所见即所得)

(3)老师看论文的时候会关注细节,比如参数/结构/为什么?(比如师姐的归一化)

3、一些问题

(1)从一个二维图得到一个向量,有几种方法?

①池化

②展平

③全连接:(FC参数大有过拟合风险,但学得多/高/准)

FC后要加分类结果、CNN后是特征提取分类结果

一维信号变图片、二维图形变换、

(2)200维->2维->向量

       eg. 1x1的100个通道=>2x2的30个通道如何实现?

          resize、上采样

(3)phase相位

【3.11】- 认知障碍

SCD主观认知障碍

PET检测脑活性,功能项核磁,不是高清(测某一生物特性的指标)

ADNI做痴呆的数据集、

迁移学习

【3.18】-zou

上采样代替反卷积

合理角矩阵

SMAPE越低越好、AMAE(人工手动测量误差5-10)、MSE

曲率、曲线上描述cobb角/变化

Smooth平滑的目的是为了降噪(稀疏矩阵 一般会加入平滑)

拟合:追求所有点~误差最小

多任务?多目标

ResNet预测更准      学得更少 效果更好 ||  减少误差

一张热图,17个关键点(多高斯)Not一张图一个关键点 || 步态中人的姿势会不一样(多分类任务) 脊柱锥体之间本身就是有很强的结构相似性,所以会出现找错通道的情况

轻量化  有些需要加 有些不需要加

研三论文截止4.6

研二小论文3.18

论文讲半小时/消化后讲核心 讨论半小时

【4.1】-

【冯】

Low/high level feature

空间注意力是点乘

CAM(channel attention module)一般插在末尾部分

关于MLP是否shared

许师姐:只用Maxpool 直接contact 然后送到MLP

为什么要加MLP操作:low/high attention去生成各自……

目前模型是参数量比较大

DL感受野越来越大,所以在生成的过程中,低级空间特征慢慢就丢失了,更加关注高级的全局结构信息。为什么要融合,就是让高级也加入低级,所以加通道,局部和全局相互参考,然后确定我要更加关注哪个通道。[许师姐的通道注意力机制]

许:[?跨度很大的残差模块]、

许只是把通道注意力施加到全局中,冯做的是相互去学习,试试看这样得到的信息是不是更丰富。

HRnet里面应该有十几个block,两个MFAM离得不算近,可以。

HRnet有个特点就是会将浅层高层特征contact在一起、

HRnet有3各阶段,

ResNet分层/块,无阶段

原始HRNet是跨分辨率不是跨层的

模型一定要前后特征contact才行

郭:

1、shared MLP出来后还有通道吗?

A:是对C这个通道做全连接(一般全连接出来是一层)

Channel Attention出来是特征图

2、后面的MLP的作用?

生成各自的注意力

3、Stage图

想做的是即插即用型,随机选两个然后融合,就是要调整一下参数

4、第二个想法

通过两个点,绘制直线,得到body part(那后面其他点/部件的位置就可以通过其估计)

【蒋】

标题:数据集压缩by梯度压缩

传统方法:

Coreset selection:从原始数据中选择具有代表性的样本

Dataset distillation:数据蒸馏/模型压缩,对输入的数据集进行反向传播迭代,更新网络权重

数据蒸馏:DATASET DISTILLATION - 知乎 (zhihu.com)

提出:

基于梯度匹配的数据压缩

优点:解耦(生成的数据集与网络结构无关)

【4.29】-

注意力机制】

1、一般用软注意力(广泛)>硬注意力;键值对 key-value两个维度输入;多个查询-MUlti-Head;

通道注意力(浅层-特征/深层-物体);空间注意力(reshape 位置间的关系?);空间+通道(CBAM/DAnet)

QK(映射)V、SE都是软注意力

2、自注意力与多头注意力(Q,K,V)

3、空间注意力一般加在深层(浅层的参数量太大)、通道注意力都可

U-Net

1、改进方法:

3D替换2D、

编码器:(特征提取/方式的改进)

跳跃连接:(降低语义差距)、UNet++

编码&解码&跳跃连接:

编码&解码&桥接模块:U2-Net

编码&解码&跳跃连接&桥接模块:

跳跃连接:

编码器&跳跃连接:

编码&解码&输入输出:[时]多尺度输入单尺度输出

网络结构的重复:

<理解深刻才能做出改进>

2、邹:UNet+hrnet

CN特征及优点

3、师兄工作

层间/内 改进

(Attention Gate的改进动机->多尺度融合、1x1卷积就是为了改变通道数;

Inception得到的特征通道有相同权值->动态加权/注意力自适应

只有加性才会经过两个

不同睡眠周期的加权,得到类别

4、师兄建议

多尝试/实验、紧跟热点、多看论文

【监控异常检测】

不关注异常事件的类别,只关注是否含有异常事件

Unmasking:从视频中接入异常事件

没有用DL,只用了线性分类器

异常得分(变化大的地方更容易辨别)\如何得准确率

无监督(初始异常检测、自适应?不断更新迭代)、

半监督(特点是训练数据都是正常数据,Flownet提取运动特征)、Memory、动态Prototype Unit

弱监督(正常视频+异常数据,但后者什么时候出现不知道/某个时间段有没有异常/在哪里也不知道、

排序损失、正包负包、)

半监督是弱监督的特例

重构

抽调the most discriminant features之后 准确率变化大?

讲PPT的时候主要分享思想和核心工作,必要先验细节要讲,有些细节可以不用讲。

【5.6】-

【方-曲面参数化 Surface Parametrization】

1、应用

Texture Mapping/Transfer、四边形网格、参数化设计

2、从数学角度理解MappIng

Jacobian借助SVD来分析MappIng (圆->椭圆 有拉伸)

Lsometric等距变换(可换角度看)、Conformal保角(可拉扯)、Equiareal等面积

Domain

f退化意味着梯度退化、一对一映射(二维与曲面之间)

Linear Map (Jt)、ARAP(尽量只是旋转没有拉伸)、MIPS、Seamless无缝参数化(切割处有二义性)

Optimization

Linear Solver、Optimizer

3、Q&A

四边形网格与三角形网格的使用区别、如何采样

【李-步态识别及换装ReID综述】

1、步态识别难点(基于轮廓变化)

视角变化、服装/携带物变化、遮挡和环境的变化

2、步态识别和ReID的区别

步态识别:提取静态的内部特征(身高关节肌肉关键点)、动态特征

ReID:静态外观特征(携带物)

3、SP模块/set pooling、Gaint~、空间part(微运动)、

GAN用于解耦、卷积本身带有感受野、

self_attention:基于全局的transformer 多头multi-head 一个头看微运动一个看多运动whichbetter

4、师兄工作(zhaolim)

创新点:不要只是修改而要有想法?

分享的论文有筛选,和自己写的论文想法有关联

光靠模型比赛是不够的,要tricks

浙大罗浩(有一篇论文,ReID中所有tricks都去试了一下,看看对提点的帮助)

5、换装ReID

基于人脸(not)

这篇关于【组会记录 | 研一下】医学影像自然图像的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/551742

相关文章

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Java使用SLF4J记录不同级别日志的示例详解

《Java使用SLF4J记录不同级别日志的示例详解》SLF4J是一个简单的日志门面,它允许在运行时选择不同的日志实现,这篇文章主要为大家详细介绍了如何使用SLF4J记录不同级别日志,感兴趣的可以了解下... 目录一、SLF4J简介二、添加依赖三、配置Logback四、记录不同级别的日志五、总结一、SLF4J

在Spring Boot中浅尝内存泄漏的实战记录

《在SpringBoot中浅尝内存泄漏的实战记录》本文给大家分享在SpringBoot中浅尝内存泄漏的实战记录,结合实例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录使用静态集合持有对象引用,阻止GC回收关键点:可执行代码:验证:1,运行程序(启动时添加JVM参数限制堆大小):2,访问 htt

OpenCV图像形态学的实现

《OpenCV图像形态学的实现》本文主要介绍了OpenCV图像形态学的实现,包括腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽运算和黑帽运算,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起... 目录一、图像形态学简介二、腐蚀(Erosion)1. 原理2. OpenCV 实现三、膨胀China编程(

MySQL 中查询 VARCHAR 类型 JSON 数据的问题记录

《MySQL中查询VARCHAR类型JSON数据的问题记录》在数据库设计中,有时我们会将JSON数据存储在VARCHAR或TEXT类型字段中,本文将详细介绍如何在MySQL中有效查询存储为V... 目录一、问题背景二、mysql jsON 函数2.1 常用 JSON 函数三、查询示例3.1 基本查询3.2

MySQL中的交叉连接、自然连接和内连接查询详解

《MySQL中的交叉连接、自然连接和内连接查询详解》:本文主要介绍MySQL中的交叉连接、自然连接和内连接查询,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、引入二、交php叉连接(cross join)三、自然连接(naturalandroid join)四

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Spring Boot 配置文件之类型、加载顺序与最佳实践记录

《SpringBoot配置文件之类型、加载顺序与最佳实践记录》SpringBoot的配置文件是灵活且强大的工具,通过合理的配置管理,可以让应用开发和部署更加高效,无论是简单的属性配置,还是复杂... 目录Spring Boot 配置文件详解一、Spring Boot 配置文件类型1.1 applicatio

MySQL INSERT语句实现当记录不存在时插入的几种方法

《MySQLINSERT语句实现当记录不存在时插入的几种方法》MySQL的INSERT语句是用于向数据库表中插入新记录的关键命令,下面:本文主要介绍MySQLINSERT语句实现当记录不存在时... 目录使用 INSERT IGNORE使用 ON DUPLICATE KEY UPDATE使用 REPLACE

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步