geometric专题

Liver Segmentation in CT based on ResUNet with 3D Probabilistic and Geometric Post Process

一、摘要本文提出了使用具有3D概率和几何后期处理功能的ResUNet的新型肝分割框架。我们的语义分割模型ResUNet在U-Net的上采样和下采样部分添加了残差单元和批处理规范化层，以构建更深的网络。为了快速收敛，我们提出了一种新的损失函数DCE，该函数由Dice损失和交叉熵损失线性组合。我们使用连续的几个CT图像作为训练和测试的输入，以探索更多的上下文信息。基于ResUNet的初始分割

GNN-第三方库：PyTorch Geometric Temporal【PyG的一个时间图神经网络扩展库】

PyTorch Geometric Temporal 是PyTorch Geometric（PyG）的一个时间图神经网络扩展库。它建立在开源深度学习和图形处理库之上。 GitHub源码：benedekrozemberczki/pytorch_geometric_temporal PyTorch Geometric Temporal由最先进的深度学习和参数学习方法组成，用于处理时空信号。 Py

Pytorch Geometric(PyG)入门

PyG (PyTorch Geometric) 是建立在 PyTorch 基础上的一个库，用于轻松编写和训练图形神经网络 (GNN)，适用于与结构化数据相关的各种应用。官方文档 Install PyG PyG适用于python3.8-3.12 一般使用场景：pip install torch_geometric 或conda install pyg -c pyg Get Started P

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

这是一篇来自JMLR的论文，论文主要关注稀疏主成分分析（Sparse PCA）的问题，提出了一种新颖的几何解法（GeoSPCA）。该方法相比传统稀疏PCA的解法的优点：1）更容易找到全局最优；2）计算效率更高；3）因为不再需要计算存储整个协方差矩阵，所以对存储资源需求更少；4）GeoSPCA能够一次性构建所有主成分，而不是通过迭代的方式逐步添加，这有助于避免因迭代过程中的数据秩减而导致的信息损

【索引】Geometric Computations and Algorithms in 3D

AOAPC I: Beginning Algorithm Contests -- Training Guide (Rujia Liu) Chapter 4. Geometry::Geometric Computations and Algorithms in 3D ExamplesExamples:BeginnerExamples:IntermediateExamples

【索引】Geometric Algorithms in 2D

AOAPC I: Beginning Algorithm Contests -- Training Guide (Rujia Liu) Chapter 4. Geometry::Geometric Algorithms in 2D ExamplesExamples:BeginnerExamples:IntermediateExamples:Advanced

数字水印 | 图像标准化论文：Digital Watermarking Robust to Geometric Distortions（一）

目录 II Watermark Based on Image NormalizationA 图像的矩和仿射变换B 图像的标准化 🤖原文： Digital Watermarking Robust to Geometric Distortions 🤖前言：这是一篇 2005 年的 SCI 一区 + CCF-A，但是网上关于它的讲解貌似挺少的。文中提出了两种数字水印方

数字水印 | 图像标准化论文：Digital Watermarking Robust to Geometric Distortions（二）

目录 C 变换参数的确定D 水印的影响E 可替代的标准化过程 🤖原文： Digital Watermarking Robust to Geometric Distortions 🤖前言：这是一篇 2005 年的 SCI 一区 + CCF-A，但是网上关于它的讲解貌似挺少的。文中提出了两种数字水印方案，但是我只关注第一种方案中的图像标准化技术。由于本人很菜，因此可

torch_geometric安装（CPU版本）

①打开官方安装网址：https://pytorch-geometric.readthedocs.io/en/2.3.0/install/installation.html ②对根据Pytorch选择相应版本。此前一直用CUDA不成功，这次使用CPU版本（因为不用对应cuda，pytorch+cuda+geometric三者对应起来很麻烦） ③注意在torch_geometric安装时要对应版本，

详细讲一下PYG 里面的torch_geometric.nn.conv.transformer_conv函数

1.首先先讲一下代码这是官方给的代码：torch_geometric.nn.conv.transformer_conv — pytorch_geometric documentation import mathimport typingfrom typing import Optional, Tuple, Unionimport torchimport torch.nn.functio

Adaptive Geometric Duality(AGD) Prior

由于对SR的实现方法不了解，关于SR部分基本是定性的描述。 AGD即：在实现SR插值过程中，能根据LR自动计算某些权值，使的到的HR和LR满足“几何对偶”的先验规律，例如稳健软判决插值（Robust Soft-Decision Interpolation）就是被认为是一种杰出的AGD方法。下面简单解释了什么是GD，以及如何得到自适应权值 geometry duality [2012]

计算数据集的几何平均数geometric_mean

【小白从小学Python、C、Java】【计算机等考+500强证书+考研】【Python-数据分析】计算数据集的几何平均数 geometric_mean [太阳]选择题 geometric_mean的作用是？ import statistics a = [1, 2, 3, 4] average_a = statistics.geometric_mean(a) print(average_

等比级数(geometric progression) 和等差数列

--等比级数 geometric progressiongp a q = a : gp (a*q) q--gp a q = map (/x -> a*q^x) [0..] ap a d = a : ap (a+d) d -- ap a d = [a, a+d..]

PyTorch Geometric MPNN学习笔记（实现向）

建立消息传递网络MPNN 本文主要从实现层面讲解代码。在Graph中，如果将卷积这一操作推广到其他域中时，往往用邻域聚合或消息传递来表示。接下来有定义几个Notation： x i ( k ) \textbf{x}_i^{(k)} xi(k)表示第 k k k次迭代的节点 i i i的节点特征； e j , i \textbf{e}_{j,i} ej,i表示从节点 j j j到节点

CF789B Masha and geometric depression 题解分类讨论

Masha and geometric depression 传送门 Masha really loves algebra. On the last lesson, her strict teacher Dvastan gave she new exercise. You are given geometric progression b b b defined by two intege

ECOC 2020 Th1D-4 End-to-End Deep Learning for Phase Noise-Robust Multi-Dimensional Geometric Shaping

有作者在ECOC上讲的视频 https://www.youtube.com/watch?v=8pLfItf_yws&t=271s 一种针对相位噪声的端到端学习模型，在autoencoder中加入了卷积层，模型有2dB的增益。背景：相位噪声是相干光通信系统中很大的问题，有很多关于载波相位估计和相位噪声增强技术。比如，log-likelihood ratio (LLR)用来处理参与相位噪声

GCN学习：Pytorch-Geometric教程（二）

PyG教程二数据转换GCN网络数据转换 PyTorch Geometric带有自己的变换，该变换期望将Data对象作为输入并返回一个新的变换后的Data对象。可以使用torch_geometric.transforms.Compose将变换链接在一起，并在将处理后的数据集保存到磁盘之前（pre_transform）或访问数据集中的图形之前（transform）应用变换。让

torch_geometric安装踩坑

一定要按照官网的安装步骤来，否则安装完再导入包时很可能出现DLL链接错误。具体安装步骤：首先命令行查看自己电脑安装的pytorch和cuda版本： python -c "import torch; print(torch.__version__)"python -c "import torch; print(torch.version.cuda)" 之后下载对应版本的torch_geo

graph neural network 和 geometric neural network

一、graph neural network 处理图结构数据。学习图中节点和边的表示。任务：节点分类、图分类、链接预测。核心思想：通过迭代地聚合节点的邻居信息来更新每个节点的表示，从而捕捉图结构中的局部和全局信息。二、geometric neural network 处理和学习几何数据，例如点云、曲面网格等。任务：点云分类、形状分割、三维物体识别。考虑空间中的距离、

基于Pytorch的PyTorch Geometric（PYG）库构造个人数据集

基于Pytorch的PyTorch Geometric（PYG）库构造个人数据集一、目的 PyTorch Geometric库中虽然已经包含自带的数据集如 Cora 等，但有时我们也需要用户个人数据创建自己的数据集进行一些数据研究。当然博主也建议大家若是第一次使用PyTorch Geometric库可以先使用其自带的数据集进行理解，再创建自己的数据集做到灵活运用。二、前期准备和参考资料

解决PyG 报错 from torch_geometric.nn.pool.topk_pool import topk, filter_adj

问题：使用Pytorch 的 PyG 搭建图神经网络报错 can not import topk, filter_adj from torch_geometric.nn.pool.topk_pool 解决版本问题语法变化 topk => SelectTopk filter_adj => FilterEdges from torch_geometric.nn.pool.con

《Enforcing geometric constraints of virtual normal for depth prediction》

《深度预测中虚拟法线的几何约束》摘要单目深度估计在理解三维场景几何中扮演了重要的角色。尽管最近的方法在评价指标方面取得了令人印象深刻的进展，如像素级的相对误差，但是大多数方法忽略了三维空间中的几何约束。在这项工作中，我们展示了高阶三维几何约束对深度估计的重要性。通过设计一个损失项确定一个简单的几何约束类型，即由重建的三维空间随机采样的三个点所确定的虚拟法线方向，我们可以极大地

定义无向加权图，并使用Pytorch_geometric实现图卷积

首先定义无向边并定义边的权重 import torchimport torch.nn as nnfrom torch_geometric.nn import GCNConvimport torch.nn.functional as Ffrom torch_geometric.data import Dataa = torch.LongTensor([0, 0, 1, 1, 2, 2, 3

mac M2 pytorch_geometric安装

我目前的环境是mac M2，我在base环境中安装了pytorch_geometric,仅仅做测试用的，不做真正跑代码的测试首先我的base环境的设置如下： pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-2.1.

Downsampled Imaging Geometric Modeling for Accurate CT Reconstruction via Deep Learning

通过深度学习实现精确CT重建的下采样成像几何建模论文地址：https://ieeexplore.ieee.org/document/9410296/ 项目地址：https://github.com/hejipro/DSigNet Abstract X射线计算机断层扫描（CT）在临床上被广泛用于通过使用穿透X射线重建活体的断层图像来诊断各种疾病。对于精确的CT图像重建，通常需要辐射衰减过程

PyTorch Geometric Temporal 环境安装（亲测有效）

1. PyTorch Geometric Temporal 介绍 PyTorch Geometric Temporal 是 PyTorch Geometric 的一个时间(动态)扩展库。该图书馆包括各种动态和时间几何深度学习，嵌入和时空回归方法从各种已发表的研究论文。此外，它还附带了一个易于使用的数据集加载器、列车测试分离器和用于动态和时态图的时态快速迭代器。该框架自然地提供了 GPU 支持