- 博客(107)
- 资源 (6)
- 收藏
- 关注
原创 论文阅读笔记(16)---2022 CVPR Geometric Transformer for Fast and Robust Point Cloud Registration
CVPR2022 oral 点云配置
2022-08-24 14:39:07 2130 3
原创 论文阅读笔记(15)--- Point completion Network
首先提出点云缺失补全的论文PCN本文贡献一种直接在3D点云上操作基于学习的点云补全算法一种新颖的网络架构,能够以由粗到细的方式生成密集的完整的点云大量实验证明了算法在点云补全上具有很好的效果,并且噪声和稀疏数据具有鲁棒性,在真实世界数据具有泛化性。相关工作现存的关于3D形状补全的方法主要可以分为三类:基于几何,基于对齐和基于学习的方法基于几何的方法:利用输入的部分几何元素进行补全,并没有引入其他数据。但是这些方法都有一个假设是缺失区域的几何结构可以直接从观察到的区域获得,这种假设并不适用
2022-05-12 14:34:31 752
原创 论文阅读笔记(14)--- PointNet++
参考PointNet论文和代码详解原作者的视频报告PointNet的局限性与传统的3DCNN分层提取特征相比,PointNet属于全局特征学习,只对单个点或者所有点进行操作,没有局部信息,对精细的特征难以学习,例如分割的时候会有所缺陷,此外在平移不变性上也会有所缺陷。PointNet++的改进因此,在原PointNet的基础上进行分层级的迭代学习,保留了置换不变性和几何不变性具体讲解一下这个过程,对于一组点云,首先圈出一组局部点云,根据这组点云数据利用PointNet生成一个高维点,因此根据
2022-05-04 19:16:24 1425 1
原创 论文阅读笔记(13)--- PointNet
现在开始学习点云系列的论文了,从最经典的PointNet开始。三维深度学习PointNet系列论文研究介绍传统的结构是将不规则的数据转为规则的形式,这样一个方法的缺陷在于:使得数据变得庞大,并且引入了量化伪影。因此,希望直接将3D点云投入训练,减小数据量。点云问题以及解决方案无序性:点云数据只是一系列的点,因此点的顺序并不影响整体的空间形状。旋转性:相同的点云在空间中经过一定的刚性变化(旋转或平移),坐标发生变化。对于第一个问题,希望得到的效果是,无论点云数据的顺序如果,网络提取出来的
2022-04-29 16:21:42 1647
原创 论文阅读笔记(12)--- Bert
继续根据李沐读论文学习一下Bert。BertAbstractIntroductionRelated WorkBERTModel ArchitectureInput/Output RepresentationsPre-training BERTFine-tuning BERTConclusionAbstract与其他论文的区别:BERT建立的是双向模型,可以同时利用左右上下文信息进行预测。并且对于预先训练好的Bert模型进行微调,只需增加一个输出层,就可以为各种任务达到很好的效果。实现的结果:绝对精度
2022-02-11 20:29:35 759
原创 论文阅读笔记(11)--- Attention is all you need(Transformer)逐段精读
根据李沐读论文学习一下这篇论文。TransformerIntroductionBackgroundModel ArchitectureEncoder and Decoder StacksAttentionScaled Dot-Product AttentionMulti-head AttentionApplications of Attention in our ModelPosition-wise Feed-Forward NetworksEmbeddings and SoftmaxPositional
2022-02-11 12:39:18 2762
原创 可解释性(一)之CAM和Grad_CAM
可视化CAMGrad_CAM最近在学习可解释性方面的内容,主要是用cam做可解释性,因此想要系统地学习一下。参考:keras CAM和Grad-cam原理简介与实现GAP CAM Grad-CAM Grad-CAM++的解释pytorch实现所有cam衍生ECG-Grad-CAMCAM将原模型的结构修改:利用GAP(Global Average Pooling)替换掉了全连接层重新进行训练经过GAP之后,得到了最后一个卷积层每个特征图的均值,均值经过加权和得到输出某个类别的权
2022-01-06 17:07:55 4490 3
原创 pip 安装速度慢(清华镜像快速配置)
清华镜像临时使用pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package设为默认升级 pip 到最新的版本 (>=10.0.0) 后进行配置:pip install pip -Upip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple如果您到 pip 默认源的网络连接较差,临时使用本镜像站来升级 pip:pi
2021-12-27 10:25:16 726
原创 论文阅读(9)---基于Transformer的多模态CNN心电图心律失常分类
Multi-module Recurrent Convolutional Neural Network with Transformer Encoder for ECG Arrhythmia Classification
2021-10-28 16:41:55 6040 7
原创 在word中插入代码
最近写报告希望在word里面插入代码,之前看到别人word能插入出这种效果:找了一下,发现一个不需要翻墙的网站:http://word.wd1x.com/确实好用
2021-10-17 22:11:40 193
原创 多标签分类的Focal loss设计
多标签分类中存在类别不平衡的问题,想要尝试用focalloss损失函数,但是网上很少有多标签分类的损失函数设计,终于在kaggle上别人做的keras下的focalloss中举例了多标签问题:Focalloss for Keras代码和例子如下:Focal loss主要思想是这样:在数据集中,很自然的有些样本是很容易分类的,而有些是比较难分类的。在训练过程中,这些容易分类的样本的准确率可以达到99%,而那些难分类的样本的准确率则很差。问题就在于,那些容易分类的样本仍然在贡献着loss,那我们为什么要给
2021-09-09 17:41:28 4249 3
原创 心电图分类(一维数组)实现类激活图CAM可视化
最近希望通过观察特征的重要性进行模型分析,通过下面这篇文章了解了神经网络当中存在一些可视化操作,Keras实现卷积神经网络(CNN)可视化,包括有:主要的四种可视化模式:卷积核输出的可视化,即可视化卷积操作后的结果,帮助理解卷积核的作用。卷积核的可视化,对卷积核本身进行可视化,对卷积核学习到的行为进行解释。类激活图可视化,通过热度图,了解图像分类问题中图像哪些部分起到了关键作用,同时可以定位图像中物体的位置。特征可视化,与第一种方法类似,但是输出的不再是卷积层的激活值,而是使用反卷积与反池化来可
2021-09-08 16:20:50 2357 9
原创 多标签分类问题中keras自定义loss和绝对准确率acc
最近在做多标签分类,多标签分类问题中使用的激活函数和loss计算公式如下:然而keras中没有多标签分类绝对准确率的metrics,同时自己在做多标签分类的时候存在类别不平衡的问题,想使用focalloss平衡一下,这里是找到的可以用于多标签问题的focal_loss,下面两个都可以试试:#用于类别不平衡的focallossdef multi_category_focal_loss1(alpha, gamma=2.0): """ focal loss for multi catego
2021-09-01 18:50:38 2127
原创 Python文件读取,文件比较,文件移动
最近经常需要对不同文件夹中的文件进行读取和比较,因此学习了一些python的方法。下面的代码实现了读取path2和path1两个路径的文件夹,并且文件的后缀分类,通过比较去除掉后缀的文件名来比较两个文件夹的不同文件,并且将path1中不存在而path2中存在的文件复制到path1中。import osfrom shutil import copy #文件从一个路径复制到另一个路径 def fileList(path): #该函数得到一个文件列表 filelist = {} n = 0
2021-08-01 20:29:58 315
原创 论文阅读笔记(8-3)---A Study on Threshold Selection for Multi-label Classification
A Study on Threshold Selection for Multi-label Classification第五节和第六节
2021-07-24 20:47:05 147
原创 论文阅读笔记(8-2)---A Study on Threshold Selection for Multi-label Classification
A Study on Threshold Selection for Multi-label Classification第三节和第四节
2021-07-22 23:42:42 315 1
原创 论文阅读笔记(8-1)---A Study on Threshold Selection for Multi-label Classification
多标签分类在文本分类、多媒体检索以及很多其他领域都很有用,常用的多标签方法是二进制法,它为每个标签都构造了一个决策函数。在某些应用中,调整二值化方法的决策函数的阈值可以显著提高算法的性能,但这方面的研究还很少。本研究对阈值的选取进行了详细的研究。
2021-07-21 17:51:37 269
原创 论文阅读笔记(7-1)---Supervised Contrastive Learning
原文链接B站讲解视频研究背景交叉熵损失函数是分类模型监督学习中应用最广泛的损失函数,但是它具有对噪声标签缺乏鲁棒性、边界性差等特点,泛化能力较差。研究成果提出了一个新的扩展对比损失函数,对于每一个锚允许有多个正样本,从而适应对比学习的全监督设置。从分析和经验上,我们证明了所提出方法的性能是最优的。实验结果表明提出的损失函数为许多数据集提供了一致的top1精度提升。它对自然干扰的抵抗力也更强。我们用解析的方法证明了损失函数的梯度有助于从硬正和硬负中学习。我们的经验表明,我们的损失是敏感度
2021-06-29 22:23:55 1076 2
原创 ECG一维信号去噪方法 python实现总结
对于心电信号的预处理第一步一般都是去噪处理,但是很多论文对于这一步都只是简单带过,为了复现论文所述方法,我感觉走了很多弯路,这里总结一下现在有做出来的一些方法,包括有中值滤波,FIR滤波,butter滤波和小波滤波。
2021-04-15 17:21:52 11049 14
原创 论文阅读笔记(5-1)---Stage-wise Training: An Improved Feature Learning Strategy for Deep Models
分阶段学习DefinitionStage-wise Information EvolutionExperimentsDefinition分阶段的培训框架是将训练数据的信息逐渐呈现给网络。在训练早期,网络只能访问一部分数据,特别是数据的粗尺度特性,使得网络在粗尺度上提取特征,然后网络学习更精细的信息,并且从一千的阶段学习特征提取器从而获得更好的预测。也就是说,每个阶段提取的特征都是下一阶段特征提取的先决条件。神经网络的训练是一个基于梯度的优化过程。这种训练策略通常存在梯度扩散问题,随着网络深度的增加,
2021-04-11 17:18:07 375
原创 论文阅读笔记(4-2)---吴恩达DNN算法分析和仿真实现
Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms吴恩达DNN算法分析和仿真实现
2021-03-03 20:50:24 1102 7
原创 论文阅读笔记(4-1)---基于深度神经网络的动态心电图心律不齐检测与分类
Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network吴恩达2019心律失常分类论文,使用DNN证明了端到端的深度学习方法可以对来自单导联心电图的各种明显的心律不齐进行分类,具有与心脏病专家类似的高诊断性能。
2021-03-02 16:10:28 2059 2
原创 人工智能和常规诊断标准对使用心电图检测左心室肥大的性能的比较
人工智能和常规诊断标准对使用心电图检测左心室肥大的性能的比较左心室肥大可以通过心电图、超声心动图、左心室造影和磁共振成像来检测。在这些方法中,超声心动图是准确的,被认为是诊断LVH的精标准。然而,超声心动图的成本和设备问题使其难以作为筛查工具。心电图是高血压患者的一项基本检查,因为它成本低,可以提供心律失常、缺血性心脏病和LVH等信息。它是一种有用的LVH筛查测试,广泛使用计算机解释心电图;在心电图机的支持下,它可以为非心脏病专家提供心电图解释信息。然而,尽管提出了许多不同的标准,心电图识别左室肥厚的准
2021-02-06 16:24:04 362
原创 论文阅读笔记(3)---基于深度学习的节律异常或传导阻滞多标签心电图自动诊断
这是第一次使用深度学习方法系统地研究着几乎所有类型的由心律和传导功能障碍引起的心律失常,从而形成基于人工智能的端到端的多标签心电图诊断模型。
2021-02-02 15:29:56 1099 2
原创 论文阅读笔记(2-2)---A Review Study for Electrocardiogram Signal Classification
本文的主要目的是研究和综述近年来应用的分类方法,如人工神经网络、卷积神经网络(CNN)、离散小波变换、支持向量机(SVM)和K近邻等。在分类方法、特征提取技术、数据集、贡献率等方面进行了比较。本节介绍kNN,SVM和DWT。
2021-01-15 22:16:02 995 3
原创 论文阅读笔记(2-1)---A Review Study for Electrocardiogram Signal Classification
本文的主要目的是研究和综述近年来应用的分类方法,如人工神经网络、卷积神经网络(CNN)、离散小波变换、支持向量机(SVM)和K近邻等。在分类方法、特征提取技术、数据集、贡献率等方面进行了比较。本节介绍ANN和CNN。
2021-01-14 17:23:18 838
原创 论文阅读笔记(1)---Classification of ECG signals using Machine Learning Techniques
本文详细介绍了心电分类中的各种问题、可用于心电数据的数据库、可用于去噪的各种预处理技术、可用于心电数据分类的各种分类器以及评价分类器精度的性能指标。
2021-01-13 16:48:58 2748 3
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人