WangW

Always On The Way

css那么多属性,其较好的书写顺序是怎么样的呢?

CSS的本质可以分为宏观与微观两方面。 宏观上它的存在就是为了控制页面的显示样式。包括布局,颜色,字体等。微观上则是实现这种控制功能的各种属性的定义和工作原理。 了解定义就能干活,知道原理才能把活干好。

HTML+CSS书写规范、顺序和命名规则

CSS书写顺序 位置属性(position, top, right, z-index, display, float等) 大小(width, height, padding, margin) 文字系列(font, line-height, letter-spacing, color- text-align等) 背景(background, border等) 其他(animation, transition等)

'sequential modeling of deep features for breast cancer histopathological image classification' notes

文献链接:Sequential Modeling of Deep Features for Breast Cancer Histopathological Image Classification 摘要:计算机化的组织病理学图像自动分类方法有助于减少病理学家的人工观察工作量。近年来,深度网络也引起了人们对组织病理学图像分析的关注。然而,现有的方法在探索多层特征以改进分类方面却现有关注。本文认为考虑多层特征是很重要的,因为图像中的不同区域在不同的放大倍数下可能包含不同层次上有用的鉴别信息。考虑到深度学习中各层之间存在依赖关系,提出了一种利用微调DenseNet提取的多层深度特征的序列框架。

PyTorch系列 (三): pytorch网络构建和网络设置

参考: PyTorch documentation PyTorch 码源 本文首先介绍了Pytorch中网络构建和网络设置的源码,接着介绍了一些常见的网络模型,比如ResNet等。

PyTorch系列 (二): pytorch数据读取

参考: PyTorch documentation PyTorch 码源 本文首先介绍了有关预处理包的源码,接着介绍了在数据处理中的具体应用;

PyTorch系列 (一): pytorch使用总览

参考: PyTorch documentation PyTorch 码源 深度学习框架训练模型时的代码主要包含数据读取、网络构建和其它设置三个方面 。基本上掌握这三个方面就可以较为灵活地使用框架训练模型。

'CDW-MIL for Histopathology Image Segmentation' notes

文献链接:Constrained Deep Weak Supervision for Histopathology Image Segmentation What: 这篇文章要解决什么问题? 当仅仅只有基于图像的标注,而没有像素级别的标注时,如何在病理组织切片中分割癌症区域;

怎么进行理工类学术论文写作

本文主要讲了理工类论文如何找、读、理解 update:周志华老师关于做研究和写论文的报告

医学图像分析中的深度学习研究综述

本文是对医学图像分析中的深度学习研究的综述,原文为:A Survey on Deep Learning in Medical Image Analysis 这篇综述的动机:是从应用和方法驱动的角度对医学成像的(几乎)所有领域进行了全面的概述 [TOC] 摘要 深度学习,特别是卷积网络,已经迅速的变为了医学图像分析中的一个方法选择。本文回顾了与医学图像分析相关的主要深度学习概念,总结了医学图像分析领域的300多个贡献,其中大部分出现在去年。我们总结了深度学习在图像分类,目标检测,分割,配准等任务中的应用。简要概述了每个应用领域的研究:神经、视网膜、肺、数字病理学、乳腺、心脏、腹部、肌肉骨骼。最后,我们总结了当前最先进的技术,对未来研究的开放挑战和方向进行了批判性的讨论。 1 介绍 起初,医学图像分析采用低阶像素处理(边缘和线检测器滤波器,区域增长)和数学建模(拟合线、圆和椭圆)的基本应用,构建基于符合规则的系统来解决特定的任务。 从1990s后期,监督技巧在医学图像领域变得十分受欢迎。主动形状模型(active shape models,for segmentation)、拓扑学方法(atlas methods)、使用统计学习提取特征等方法。特征提取依然使用人工提取(hand crafted) 2012年。AlexNet出现,逐渐使计算机自提取特征代替手工提取特征。 剩余部分内容简介: 介绍在医学图像分析中,所用到的深度学习技术 介绍深度学习在医学图像分析中的应用,包括:分类、检测、分割、配准、检索、图像生成和增强 介绍在医学图像领域有关公开的挑战,以及结果 2 深度学习方法概述 这部分没看 3 深度学习在医学图像中的应用 3.1 分类 3.1.1 图像和??分类(Image/exam classification) 由于数据量少,迁移学习应用广泛。迁移学习分为两类,一个是使用预先训练的模型作为特征提取器,另一个是微调。这两种策略哪一种较好,通常没有确切的定义。 医学图像领域起初关注无监督学习的预训练和网络结构,比如 SAMs 和 RBMs 。基于脑磁成像(MRI)的DBNs和SAEs技术在阿尔茨海默病诊断中的应用 在15,16,17年共发表了47篇有关exam classification的论文,其中36篇用了CNN,5篇基于AEs, 6篇基于RBMs。这些方法的应用领域非常广泛,从脑MRI到视网膜成像,从数字病理学到肺计算机断层扫描(CT) 总结,在该领域,CNN是如今标准的技术。 3.1.2 目标和病灶分类(Object or lesion classification) 目标分类通常侧重于将医学图像的一小部分(先前识别的)为成两类或者多类。比如,胸部CT节点的分类。 3.2 检测 3.2.1 器官,区域,地标定位 3.2.2 目标或病灶检测 3.3 分割 3.3.1 器官和子结构分割 3.3.2 病灶分割 3.4 配准 3.5 医学图像中的其它任务 3.5.1 基于内容的目标检索 3.5.2 图像生成与增强 3.5.3 将图像数据和报告结合

机器学习类型以及计算机视觉任务总结

按学习方式分类 监督学习(Supervised Learning) 常用于分类问题和回归问题 无监督学习(Unsupervised Learning) 常用于关联、聚类、密度估计(density estimatiion)以及异常检测 半监督学习(Semi-Supervised Learning) 一般是监督学习算法的延伸,也常用于分类问题和回归问题。主要有五类: 基于概率的算法 在现有监督算法基础作假设的方法 直接依赖于聚类假设的方法 基于多视图的方法 基于图的方法 增强学习(Reinforcement Learning) 通常知识是隐含的,无法直接表示什么是正确的。学习的方法是通过“惩罚”不好的结果,“奖励”好的结果来优化学习效果。常用的算法包括:Q-learning以及时间差学习(Temporal diffenrence learning)

在ubuntu下opensldie的安装,更新以及卸载问题

首发在WangW Blog 引出问题 在处理whole slide images时,出现Slide/Mask dimension does not match , X_slide / X_mask : 98304 / 1536, Y_slide / Y_mask : 103936 / 2048的问题。

基本统计方法概论总结

本文主要参考:《统计学习方法》– 李航 具体统计方法学习–链接(updating) 感知机 k 近邻法 朴素贝叶斯法 决策树 逻辑斯谛回归与最大熵模型 支持向量机 提升方法 EM算法 隐马尔可夫模型 条件随机场

全视野数字切片(whole slide images, WSIs)的预处理

update: 2019-4-10 系统化梳理以及增加详细内容 希望有深度学习、机器学习以及医学图像处理相关领域的老师、同学进行指导! 个人博客:WangW Blog 首发于CSDN

Python提取网站数据基本教程

1. 解析网址例子 使用urllib.parse模块来解析网址 1 2 3 4 5 6 7 from urllib.parse import urlparse uc = urlparse('http://blog.sina.com.cn/s/blog_4e345ca90102wm9v.html?tj=fina') print(uc) print(uc.netloc) # result # ParseResult(scheme='http', netloc='blog.sina.com.cn', path='/s/blog_4e345ca90102wm9v.html', params='', query='tj=fina', fragment='') # blog.sina.com.cn

Markdown语法手册(标准版)

1. 斜体和粗体 1 2 3 4 *斜体*或者_斜体_ **粗体** ***加粗斜体*** ~~删除线~~ 斜体 或者 斜体 粗体 加粗斜体 删除线