开源项目地址https://aistudio.baidu.com/aistudio/projectdetail/2303368一、项目介绍思路利用PaddleHub目标检测预训练模型 生成相应的图像数据标注-VOC格式数据（XML文件），之后利用Labelimg 进行图像标注数据的查看与修改。优点便捷性：在理论上，可以减少大批量图像数据的标注行为 ；可拓展性：对于特定场景的数据标注，可以人工标注少

根据第一次BCI国际会议的官方定义「脑-计算机接口（Brain–computerinterface,BCI或称Brain–machineinterface,BMI）是一种不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统」。除了这个官方的定义，我更喜欢和理解在曹守洪的论文-「机器学习在脑中的应用」的摘要中所写到的脑机接口(BrainComputerInterfaces,BCI)是一种能够建立大

逻辑回归基本思想逻辑回归：通过回归的思想来解决二分类问题的算法。将样本所属正例的概率作为模型的输出，根据此概率值对样本的类别进行预测。在线性回归中回归的输出的值域在(-∞,+∞)逻辑回归中概率的值域在(0,1)所以我们要使用逻辑回归解决一个问题就必须要找到一个函数，这个函数可以将线性回归得到的(-∞,+∞)的实数转换成(0,1)的概率值 。逻辑回归中就是使用Sigmoid函数实现这种转换！单位阶跃

基于torchvision对模型最后几层进行微调，用于训练自己的数据

回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。通常使用曲线/线来拟合数据点，目标是使曲线到数据点的距离差异最小 。线性回归是回归问题中的一种，线性回归假设目标值与特征之间线性相关，即满足一个多元一次方程。通过构建损失函数，来求解损失函数最小时的参数w和b。通长我们可以表达成如下公式：y^\ha

目标检测小目标数据增强大杀器-贴图方案

为了减少医生受到的X线辐射量，可以在术前进行3D血管影像的采集，在术中进行2D的实时血管造影影像采集，然后将2D图像配准到3D影像中，从而减少医生经验的依赖性。为了提升医疗AI辅助诊断的分类准确率，可以使用传统图像配准方法（比如基于SIFT算子的特征点匹配）进行图像的旋转与缩放校正，也可以使用在深度学习网络中额外接入一个Spatial Transform Network。常规的手术规划依赖于丰富经

在前面讲述的回归模型中，处理的因变量都是数值型区间变量，建立的模型描述是因变量的期望与自变量之间的线性关系。比如常见的线性回归模型：而在采用回归模型分析实际问题中，所研究的变量往往不全是区间变量而是顺序变量或属性变量，比如二项分布问题。通过分析年龄、性别、体质指数、平均血压、疾病指数等指标，判断一个人是否换糖尿病，Y=0表示未患病，Y=1表示患病，这里的响应变量是一个两点（0-1）分布变量，它就不

markdown和code能一起使用真是非常方便，在本地使用jupyter notebook书写笔记，然后上传到github上，不仅自己复习的时候方便查阅，还能帮到其他有需要的人。在github上查看ipynb文件以及大文件时，需要加载很长时间，而且经常加载失败。使用起来很不方便而且让人头疼、浪费时间。比如我查看优达学城的一个。...

为了减少医生受到的X线辐射量，可以在术前进行3D血管影像的采集，在术中进行2D的实时血管造影影像采集，然后将2D图像配准到3D影像中，从而减少医生经验的依赖性。为了提升医疗AI辅助诊断的分类准确率，可以使用传统图像配准方法（比如基于SIFT算子的特征点匹配）进行图像的旋转与缩放校正，也可以使用在深度学习网络中额外接入一个Spatial Transform Network。常规的手术规划依赖于丰富经