作者信息等设置在团队开发中，需要在代码中编写一些项目信息或个人信息，如开发者、开发时间、项目名称等信息，以利于后期对项目的修改和维护。如果每次都需要手动编写，费时费力。下面介绍如何在代码文件中自动生成这些信息。（1）打开PyCharm开发环境，在菜单中依次选择File->Settings(或使用快捷键<Ctrl+Alt+S>)，打开系统环境设置面板。（2）单击导航菜单的Edito

1. 简介深度学习（Deep Learning）因其计算复杂度或参数冗余，在一些场景和设备上限制了相应的模型部署，需要借助模型压缩、优化加速、异构计算等方法突破瓶颈。模型压缩算法能够有效降低参数冗余，从而减少存储占用、通信带宽和计算复杂度，有助于深度学习的应用部署，具体可划分为如下几种方法（后续重点介绍剪枝与量化）：线性或非线性量化：1/2bits, int8 和 fp16等；结构或非结构剪枝：d

任意四边形四个顶点坐标的回归可以理解成四个关键点检测，这四个关键点就是物体的四个顶点。（卡式证件的四个顶点）最近项目需要用到caffe来做关键点的回归，即通过caffe来训练一个网络，输出的结果不是简单地类别，而是一些坐标（浮点数）。下面的这篇博文对caffe做回归有一个比较好的介绍：http://www.cnblogs.com/frombeijingwithlove/p/5314042.html

libtorch c++调用可能遇到的问题总结。1.算力不匹配问题import torchimport torchvisionprint(torch.cuda.is_available())上面的命令只是检测CUDA是否安装正确并能被Pytorch检测到，并没有说明是否能正常使用，要想看Pytorch能不能调用cuda加速，还需要简单的测试一下：a = torch.Tensor(5,3)a=a.c

Anchor Free的目标检测anchor based 目标检测，比如：Fast-RCNN、Faster-RCNN、SSD、YOLOV2、YOLOV3.基于anchor-based的技术包括一个阶段和两个阶段的检测。其中一阶段的检测技术包括SSD，DSSD，RetinaNet，RefineDet，YOLOV3等，二阶段技术包括Faster-RCNN，R-FCN，FPN，Cascade R-CNN

Anchor Free的目标检测anchor based 目标检测，比如：Fast-RCNN、Faster-RCNN、SSD、YOLOV2、YOLOV3.基于anchor-based的技术包括一个阶段和两个阶段的检测。其中一阶段的检测技术包括SSD，DSSD，RetinaNet，RefineDet，YOLOV3等，二阶段技术包括Faster-RCNN，R-FCN，FPN，Cascade R-CNN

ITK学习笔记（十） 深度学习分割后处理，填补孔洞深度学习分割结果可能有误分割的部分，包括孔洞、赘余、多连通域等。下面的例子是孔洞的样例。常识告诉我们，这个器官内部是没有孔洞的，因此，我们通过后处理的方法把它填上,可以提高分割准确度。这种三维孔洞，我们希望有一种便捷方法，可以直接填补这种三维孔洞。可以使用 SITK 的二值孔洞填补方法。 sitk.BinaryFillholesitk.Binary

医学图像分割1、用于分割的数据集2、关于分割的论文介绍2.1 nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation2.2 使用nnunet，对于自己数据的数据预处理1、用于分割的数据集数据集：CTPelvic1K Dataset关于CTPelvic1K Dataset数据集的

push relabel与图像分割

医学图像笔记（二）NIFTI数据格式1、NIFTI格式的基本内容2、python读取.nii.gz文件1、NIFTI格式的基本内容“神经成像信息技术创新”将NIFTI格式视为ANALYZE7.5格式的替代品。NIFTI最初是用于神经成像的，但它也适用于一些其他的领域。NIFTI中一个主要的特点在于它包含了两个仿射坐标定义，这两个仿射坐标定义能够将每个立体元素指标（i,j,k）和空间位置（x,y,z