wujing1_1的博客

转载 Latex用法

原创 纯命令版饥荒安装教程-自己使用

原文链接，这个文档仅自己使用Ubuntu搭建饥荒服务器教程安装饥荒centos7yum update -yyum install https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm -yyum install glibc.i686 libstdc++.i686 libcurl.i686 screen -yyum wget -ymkdir ~/steamcmdcd ~/steamcmdwget http

原创 Java -考研 学习路线(笔记链接汇总)-个人用

文章目录1. Java 学习路线1.1 JavaSE1.1.1 C 语言基础1.1.2 面对对象程序设计C++1.1.3 Java 基础1) 基础2) GUI3) 网络编程4) 多线程5) 注解和反射1.2 JavaEE1.2.1 SSM1) Web基础TomcatServletJSP2) Mybatis3) Spring4) SpringMVC5) Mybatis-Plus1.2.2 SpringBoot1.2.3 SpringCloudNacosOpenFeignHystrixRibbonEurekaC

原创 Linux 常见命令操作(杀死全部screen）

常见命令1. 防火墙操作查看防火墙systemctl status firewalld关闭防火墙systemctl stop firewalld.service开放防火墙端口永久firewall-cmd --permanent --zone=public --add-port=8080-8081/tcp 开放防火墙端口临时firewall-cmd --zone=public --add-port=8080-8081/tcp开机自动启动systemctl en

转载 LaTeX 各种命令，符号

函数、符号及特殊字符声调语法 效果 语法 效果 语法 效果 \bar{x} \acute{\eta} \check{\alpha} \grave{\eta} \breve{a} \ddot{y} \dot{x} \hat{\alpha} \tilde{\iota} 函数语法 效果 语法 效果 语法 效果 \si

原创 【半监督医学图像分割 2021 IEEE】DU-GAN

低剂量计算机断层扫描(LDCT)由于其相关的x射线辐射对患者的潜在健康风险而引起了医学成像领域的广泛关注。然而，降低辐射剂量会降低重建图像的质量，从而影响诊断性能。在过去的几年里，各种深度学习技术，特别是生成对抗网络(gan)，已经被引入到通过去噪来提高LDCT图像的图像质量，比传统方法取得了令人印象深刻的结果。基于高斯的去噪方法通常利用一个额外的分类网络，即鉴别器，来学习去噪图像与正常剂量图像之间最大的区别，从而相应地正则化去噪模型;它通常关注全局结构或局部细节。

原创 磁盘大小命令

盘被占满不仅仅是由于某个文件夹中有很多小文件，也可能是某些单个的大文件。要查看当前目录下每个文件夹的大小，可以使用du命令并结合一些参数来实现这一需求。命令可以帮助你分析文件夹的磁盘使用情况。可以使用tail命令，它专门用于显示文件的最后几行。

原创 Python作图

【代码】Python作图。

原创 【图像分割 2023 WACV】HiFormer

卷积神经网络(cnn)已成为医学图像分割的共识。然而，由于卷积运算的性质，它们在模拟远程依赖关系和空间相关性方面受到限制。虽然Trasnformer最初是为了解决这个问题而开发的，但它们无法捕获低级特征。相比之下，研究表明，局部和全局特征对于密集预测至关重要，例如在具有挑战性的环境中进行分割。在本文中，我们提出了一种新的方法HiFormer，它有效地桥接了CNN和Trasnformer，用于医学图像分割。

原创 【半监督图像分割 2023 】BHPC

半监督学习(Semi-supervised learning, SSL)是解决模式识别和医学图像分割中标注稀缺性问题的常用技术，主要集中在两个关键问题上:1)学习结构良好的可分类嵌入空间，2)建立嵌入空间到像素空间的鲁棒映射。在本文中，为了解决第一个问题，我们提出了一种硬正定向对比(HPC)学习策略来预训练基于编码器-解码器的分割模型。

原创 【图像分割 2024】ParaTransCNN

基于卷积神经网络的医学图像分割方法以其优异的性能得到越来越多的应用。然而，它们很难捕获远程依赖关系，而远程依赖关系对于准确建模全局上下文相关性至关重要。由于能够通过扩展接受域来建立长期依赖关系的模型，基于转换器的方法已经获得了突出的地位。受此启发，我们提出了一种结合卷积神经网络和Transformer架构的先进二维特征提取方法。更具体地说，我们引入了一个并行编码器结构，其中一个分支使用ResNet从图像中提取局部信息，而另一个分支使用Transformer提取全局信息。

原创 【图像分割 2024 ICLR】Conv-LoRA

分割任意模型(SAM)是图像分割的基本框架。虽然它在典型场景中表现出显著的零射击泛化，但当应用于医学图像和遥感等专业领域时，其优势就会减弱。为了解决这一限制，本文介绍了一种简单而有效的参数高效微调方法——卷积- lora。通过将超轻量级卷积参数集成到低秩自适应(Low-Rank Adaptation, LoRA)中，卷积LoRA可以将图像相关的归纳偏差注入到普通的ViT编码器中，进一步强化SAM的局部先验假设。

转载 @NotEmpty、@NotBlank、@NotNull三种注解的区别

NotEmpty验证字段不为 null，且长度不为零。适用于字符串、集合和数组。@NotBlank验证字段不为 null，长度不为零，且去除两端空格后也不为空。仅适用于字符串。@NotNull验证字段不为 null。适用于所有类型的字段。在选择使用这些注解时，开发人员应根据具体的数据验证需求选择合适的注解。例如，对于需要排除空格的字符串输入，应该使用@NotBlank，而对于不允许为 null 的对象，可以使用@NotNull。

原创 【半监督医学图像分割】2022-MedIA-UWI

由于难以获取大量标记数据，半监督学习在医学图像分割中正成为一种有吸引力的解决方案。为了利用未标记数据，目前流行的半变量方法（如时态集成、均值教师）主要对未标记数据施加数据级和模型级的一致性。在本文中，我们认为除了这些策略之外，我们还可以进一步利用辅助任务和考虑任务级一致性来更好地从未标记数据中挖掘有效的表示来进行分割。

原创 【时间序列预测 】M4

M4竞赛延续了前三届M竞赛，其目的是从经验证据中学习如何提高预测精度，以及如何利用这种学习来推进预测的理论和实践。M4的目的是通过以下方式复制和扩展前三届比赛：(a)显著增加系列的数量，(b)扩大预测方法的数量，©在评估过程中包括预测间隔和点预测。本文详细介绍了M4的各个方面，包括它的组织和运行、结果的介绍、总体上和按类别划分的最优秀的方法、它的主要发现及其含义，以及各种方法的计算要求。最后，总结了该系列的主要结论，并期望该系列将成为评价新方法和改进预测实践的试验场，同时也提出了该领域的一些前进方向。

原创 【时间序列预测 2023 ICLR】TimesNet

时间序列分析在天气预报、异常检测、行为识别等广泛应用中具有重要意义。本文重点研究了时间变化建模，这是广泛分析任务的共同关键问题。以往的方法试图直接从一维时间序列中完成这一任务，但由于复杂的时间模式，这是极具挑战性的。在观测时间序列多周期的基础上，我们将复杂的时间变化分解为多重的周期内和周期间变化。为了解决一维时间序列在表示能力上的局限性，我们将一维时间序列转化为一组基于多个周期的二维张量，从而将时间变化的分析扩展到二维空间。

原创 【图像分割 2023 CVPR】CFNet

多尺度特征对于对象检测、实例分割和语义分割等密集预测任务是必不可少的。现有的最先进的方法通常首先通过分类主干提取多尺度特征，然后通过轻量级模块（如FPN中的融合模块）对这些特征进行融合。然而，我们认为，通过这样一个范例来融合多尺度特征可能是不可取的，因为与笨重的分类主干相比，为特征融合分配的参数是有限的。为了解决这一问题，我们提出了一种新的结构&级联融合网络(CFNET)用于密集预测。在CFNET中，除了提取初始高分辨率特征的STEM和几个块外，我们还引入了几个级联阶段来生成多尺度特征。

原创 【半监督医学图像分割 2023 CVPR】PatchCL

尽管最近在半监督学习（SemiSL）方面的工作在自然图像分割方面取得了巨大的成功，但从有限的注释中学习鉴别性表征的任务在医学图像中一直是一个公开的问题。对比学习（CL）框架使用相似性测量的概念，这对分类问题是有用的，然而，他们未能将这些高质量的表示转移到准确的像素级分割中。为此，我们提出了一个新颖的基于patch的半监督医学图像分割框架，而不使用任何明确的前提任务。

原创 【自监督预训练 2023】MCL

在这项工作中，我们提出了一种用于密集预测任务的多级对比学习(MCL)，这是一种有效的用于密集预测任务的区域级特征表示的自监督学习方法。定位尺度一致性和识别。为了显式地编码绝对位置和尺度信息，我们提出了一种新的借口任务，该任务以蒙太奇方式组装多尺度图像来模拟多目标场景。与现有的图像级自监督方法不同，我们的方法构造了一个多级对比损失，将蒙太奇图像的每个子区域视为一个单独的子区域。我们的方法使神经网络能够学习区域语义表示，以实现翻译和尺度一致性，同时将预训练的时间缩短到与有监督预训练相同的时间。

原创 【半监督医学图像分割 2022 TMI】ASE-Net

目前流行的半监督医学图像分割网络由于在不同的数据扰动下使用一致性学习来正则化模型训练，经常受到未标记数据的错误监督。这些网络忽略了标记和未标记数据之间的关系，只计算单个像素级的一致性，导致预测结果不确定。此外，由于骨干网的设计依赖于有监督的图像分割任务，这些网络往往需要大量的参数。此外，由于半监督图像分割通常采用少量的训练样本，这些网络往往面临较高的过拟合风险。针对上述问题，本文提出了一种基于动态卷积(ASE-Net)的对抗自拟网络，用于半监督医学图像分割。

原创 【半监督医学图像分割 2022 IJCAI】UGPCL

近年来，对比学习在医学图像分割中显示出巨大的潜力。然而，由于缺乏专家注释，将对比学习应用于半监督场景具有挑战性。为了解决这一问题，我们提出了一种新的不确定性引导的像素对比学习方法用于半监督医学图像分割。具体来说，我们为每个未标记图像构造一个不确定性映射，然后去除不确定性映射中的不确定性区域，以减少噪声采样的可能性。不确定性映射是由一个精心设计的一致性学习机制确定的，该机制通过鼓励来自两个不同解码器的一致网络输出来为未标记数据生成综合预测。

原创 【半监督医学图像分割 2023 MICCAI】SCP-Net

一致性学习在半监督医学图像分割中起着至关重要的作用，它可以有效地利用有限的标注数据，同时充分利用丰富的未标注数据。一致性学习的有效性和效率受到预测多样性和训练稳定性的挑战，而这两个问题往往被现有的研究所忽视。同时，用于训练的标记数据数量有限，往往不足以形成伪标记的内部紧凑性和类间差异。为了解决这些问题，我们提出了一种自感知的跨样本原型学习方法(SCP-NET)，通过利用从多个输入中获得的更广泛的语义信息来提高一致性学习中预测的多样性。此外，我们引入了一种自我感知的一致性学习方法。

原创 【半监督图像分割 2022 CVPR】UCC

深度神经网络（DNNs）在语义分割方面取得了巨大的成功，这需要大量的标记数据进行训练。我们提出了一个新颖的学习框架，称为不确定性引导的交叉头协同训练（UCC），用于半监督的语义分割。我们的框架在一个共享编码器中引入了弱增强和强增强，以实现协同训练，这自然结合了一致性和自我训练的好处。每个分割头都与它的同伴互动，弱增强的结果被用来监督强增强。一致性训练样本的多样性可以通过动态交叉集复制粘贴（DCSCP）来提高，这也缓解了分布不匹配和类不平衡的问题。此外，我们提出的不确定性引导的再加权模块。

原创 【半监督图像分割 2022 NeurIPS】GTA-Seg

半监督语义切分旨在利用有限的标记数据和大量的未标记数据训练切分模型。为了有效地利用未标记数据，伪标记和师生框架被广泛地应用于半监督语义分割。尽管该范式被证明是有效的，但它不可避免地存在错误的伪标签，并被用作辅助训练数据。为了缓解不正确的伪标签带来的负面影响，我们深入研究了现有的半监督语义分割框架。我们认为，带有伪标签的未标记数据可以促进特征提取器中代表性特征的学习，但监督掩码预测器是不可靠的。

原创 【半监督语义分割 2023 CVPR】CCVC

半监督语义分割由于能够有效地利用大量的无标注数据，从而减少对大规模的完全标注训练数据的需求，近年来得到了越来越多的研究兴趣。现有的方法经常会受到伪标记过程中的确认偏差的影响，这种偏差可以通过协同训练框架得到缓解。现有的基于协同训练的半监督语义分割方法依靠人工扰动来防止子网之间的相互崩溃，但这些人工扰动不能导致最优解。在这项工作中，我们提出了一种基于冲突的跨视图一致性(CCVC)的半监督语义分割方法。我们的工作旨在加强这两个子网从无关的视图中学习信息特征。

原创 【半监督图像分类 ICLR 2023】FreeMatch

半监督学习(SSL)由于基于伪标记和一致性正则化的各种方法所带来的优异性能而取得了巨大的成功。然而，我们认为，现有的方法要么采用预先定义/固定的门限，要么采用自适应门限调整方案，可能无法更有效地利用未标记数据，从而导致性能低下和收敛速度慢。我们首先分析了一个激励示例，以获得关于期望阈值与模型学习状态之间关系的直观性。在此基础上，我们提出了FreeMatch模型，根据模型的学习状态自适应地调整置信度阈值。我们进一步引入了一个自适应的类公平性正则化惩罚，以鼓励模型在早期训练阶段进行多样化的预测。

原创 【半监督图像分类 2022 CVPR 】Semi-ViT

我们研究了视觉Transformer(VIT)的半监督学习(SSL)。尽管VIT体系结构在不同的任务中得到了广泛的应用，但这是一个尚未被深入研究的课题。为了解决这个问题，我们提出了一种新的SSL流水线，它首先由非/自监督的预训练，然后是监督的微调，最后是半监督的微调组成。在半监督微调阶段，我们采用指数移动平均(EMA)-教师框架来代替流行的FixMatch，因为前者对半监督Transformer来说更稳定，提供更高的精度。

原创 【半监督图像分割 2023 CVPR】UniMatch

在这项工作中，我们重新讨论了弱到强一致性框架，该框架由FixMatch从半监督分类中推广而来，其中对弱扰动图像的预测作为对其强扰动版本的监督。有趣的是，当转移到我们的分割场景中时，我们观察到这样一个简单的管道已经获得了与最近的高级作品相比的竞争性结果。然而，它的成功在很大程度上依赖于手工设计强大的数据增强，这可能是有限的，不足以探索更广阔的扰动空间。基于此，我们提出了一种辅助特征扰动流作为补充，从而扩展了扰动空间。

原创 【 图像分割 2022 ECCV】CP2

自监督对比学习的最新进展产生了良好的图像级表征，这有利于分类任务，但通常忽略了像素级的详细信息，导致转移到密集预测任务（如语义分割）的性能不尽人意。在这项工作中，我们提出了一种被称为CP2（Copy-Paste Contrastive Pretraining）的像素级对比学习方法，它有利于图像和像素级表征的学习，因此更适用于下游的密集预测任务。具体来说，我们将一幅图像（前景）的随机裁剪部分复制粘贴到不同的背景图像上，并对语义分割模型进行预训练，目的是：1）区分前景像素和背景像素；

原创 【半监督医学图像分割 2023 CVPR】BCP

在半监督的医学图像分割中，存在着有标签和无标签数据分布的经验不匹配问题。如果将有标记的数据和无标记的数据分开处理或以不一致的方式处理，那么从有标记的数据中学到的知识可能在很大程度上被丢弃。我们提出了一个直接的方法来缓解这个问题–在一个简单的Mean Teacher架构中，双向复制粘贴有标签的和无标签的数据。该方法鼓励未标注的数据从标注的数据中向内和向外学习全面的共同语义。更重要的是，标记数据和未标记数据的一致学习程序可以在很大程度上减少经验分布差距。

原创 MarkDown 符号大全

【代码】MarkDown 符号大全。

原创 【图像水印 2022 ACM】PIMoG

随着照相手机和数字显示器的普遍存在，用照相手机捕捉数字显示的图像得到了广泛的应用。在水印的背景下，这带来了屏幕拍摄的稳健性问题。获得屏幕拍摄鲁棒性的关键是设计一个好的噪声层，它可以在基于深度学习的水印框架中代表屏幕拍摄的失真。然而，由于拍摄过程太过复杂，要定量地制定拍摄失真是非常困难的。为了设计一个有效的屏幕射击鲁棒性的噪声层，我们在本文中提出了新的见解，即没有必要定量模拟屏幕射击噪声层的整体程序，只包括影响最大的失真就足以产生一个具有强大鲁棒性的有效噪声层。

原创 【 图像水印 2019 CVPR】 StegaStamp 论文翻译

打印和数字显示的照片能够隐藏可通过互联网连接的成像系统访问的不易察觉的数字数据。另一种思考方式是物理照片，其中隐藏着独特的二维码。本文介绍了解决这一愿景的架构、算法和原型实现。我们的关键技术贡献是 StegaStamp，这是一种学习的隐写算法，能够以接近感知不可见的方式将任意超链接位串稳健地编码和解码为照片。StegaStamp 包含一个深度神经网络，该网络学习一种编码/解码算法，该算法对图像扰动具有鲁棒性，近似于真实打印和摄影导致的失真空间。

原创 【小样本分割 2022 ECCV】SSP

现有的基于支持-查询匹配框架的小样本分割方法取得了很大的进展。但是他们仍然严重地受到了来自少量支持的类内变化的有限覆盖的影响。基于简单格式塔原理，即同一对象的像素比同一类不同对象的像素更相似，我们提出了一种新的自支持匹配策略，该策略使用查询原型来匹配查询特征，其中查询原型是从高置信度的查询预测中收集的。该策略能够有效地捕获查询对象的一致底层特征，从而匹配查询特征。提出了自适应的自支撑背景原型生成模块和自支撑损失，进一步方便了自支撑匹配过程。

原创 【小样本分割 2020 TPAMI 】PFENet

小样本分割的挑战：现有的小样本分割方法普遍存在高级特征误用造成的泛化损失以及查询样本与支持样本的空间不一致等问题。

原创 【小样本分割 2022 ECCV】DCAMA

小样本分割（FSS）的研究引起了极大的关注，其目标是分割一个查询图像中的目标对象，仅给出几个标注的目标类支持图像。这个具有挑战性的任务的关键是充分利用信息的支持图像，通过利用细粒度的查询和支持图像之间的相关性。然而，大多数现有的方法要么将支持信息压缩到几个类的原型中，要么使用部分支持信息（例如。例如，在一个实施例中，仅前景），导致不可忽略的信息损失。在本文中，我们提出了密集像素级交叉查询和支持关注加权掩码聚合(DCAMA)，通过配对查询和支持特征之间的多级像素级关联，充分利用前景和背景支持信息。

原创 【小样本分割 2020 ICCV】PANet

本文从度量学习的角度来解决小样本分割问题，提出一种新的原型对齐网络来更好地利用支持集信息。PANet从嵌入空间内的一些支持图像中学习特定类的原型表示，然后通过将每个像素与学习到的原型进行匹配，对查询图像进行分割。通过非参数度量学习，PANet提供了代表每个语义类的高质量原型，这些原型同时还存在对不同类的判别信息。此外，PANet还引入了一种支持和查询之间的原型对齐正则化。在此基础上，PANet充分利用了来自支持的知识，在少镜头分割中提供了更好的泛化。目前存在的问题和方案。

原创 【半监督医学图像分割 2023】RCPS

摘要医学图像分割方法通常被设计为全监督的，以保证模型的性能，这需要大量的专家注释样本，成本高，费力。半监督图像分割可以利用大量未标记图像和有限的标记图像来缓解这一问题。然而，由于伪标签中潜在的噪声和特征空间中的类可分性不足，从大量未标记图像中学习鲁棒的表示仍然是一个挑战，这削弱了现有半监督分割方法的性能。针对上述问题，我们提出了一种新的半监督分割方法–校正对比伪监督(RCPS)，该方法将校正伪监督和体素级对比学习相结合，以提高半监督分割的有效性。特别地，我们设计了一种新的基于不确定度估计和。

原创 tSNE降维 样例代码

tSNE降维 样例代码。

原创 【半监督医学图像分割 2023 】UCMT 论文翻译

高质量的伪标签对于半监督语义分割是必不可少的。一致性正则化和基于伪标记的半监督方法利用来自多视图输入的伪标记进行协同训练。然而，这种协同训练模型往往在训练过程中早期收敛到一致，从而导致模型退化到自我训练模型。另外，多视点输入是通过对原始图像的扰动或增强而产生的，这不可避免地会在输入中引入噪声，导致低置信度的伪标签。针对这些问题，我们提出了一种基于不确定性指导的协同均值教师(UCMT)算法，用于具有高置信度伪标签的半监督语义分割。