双分支残差网络（DB-ResNet），集成了两种新方案，以提高模型的泛化能力：1）提出的模型可以同时捕获CT图像中不同结节的多视图和多尺度特征；2）我们结合了强度和卷积神经网络（CNN）的特征。我们提出了一种池化方法，称为中央强度池层（CIP），提取块的中心体素的强度特征，然后使用CNN获得块的中心体素的卷积特征。另外，我们设计了基于结节边界的加权采样策略，以使用加权得分选择那些体素，以提高模型的

目标检测（Object Detection）的目的是“识别目标并给出其在图中的确切位置”[1]，其内容可解构为三部分：识别某个目标（Classification）；给出目标在图中的位置（Localization）；识别图中所有的目标及其位置（Detection）。从这三点可以看出目标检测的难度要比图像分类大很多，后者只需要确定输入的图像属于哪一类即可，而前者需要从图像中自动抠出（crop）合适大小

Linux系统Anaconda下载安装教程

Code：https://github.com/lhoyer/DAFormerPaper: https://openaccess.thecvf.com/content/CVPR2022/papers/Hoyer_DAFormer_Improving_Network_Architectures_and_Training_Strategies_for_Domain-Adaptive_Semantic_

图像分类简介https://www.cnblogs.com/paladinzxl/p/9491633.htmlPyTorch简单实现（Nearest Neighbor，Linear Classification，CNN）https://blog.csdn.net/KobeLovesDawn/article/details/86771279几种经典cnn网络介绍https://blog.csdn.n

知识图谱表示学习对于知识获取和下游应用具有很重要的作用. 知识表示学习的表示空间包括：point-wise空间，流形空间，复数空间，高斯分布和离散空间. 打分函数通常分为基于距离的打分和基于语义匹配的打分函数. 编码模型包括：线性/双线性模型，张量分解和神经网络. 辅助信息考虑文本，视觉和类型信息.1.1.1 Point-wise空间Point-wise的欧式空间是最常用的，将知识图谱中的实体和关

图像分类简介https://www.cnblogs.com/paladinzxl/p/9491633.htmlPyTorch简单实现（Nearest Neighbor，Linear Classification，CNN）https://blog.csdn.net/KobeLovesDawn/article/details/86771279几种经典cnn网络介绍https://blog.csdn.n

Attention机制最早在视觉领域提出，九几年就被提出来的思想，真正火起来应该算是2014年Google Mind发表了《Recurrent Models of Visual Attention》，使Attention机制流行起来，这篇论文采用了RNN模型，并加入了Attention机制来进行图像的分类。不同于全图扫描，该 算法每次仅瞥见图像中的部分区域，并按时间顺序 将多次瞥见的内容用循环神经