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

像素级注释的缺乏是医学图像分割任务中普遍存在的问题。在本文中，我们介绍了一种新的基于插值混合的正则化策略，用于半监督医学图像分割。所提出的方法是一种新的一致性正则化策略，它鼓励两个未标记数据的插值分割与这些数据的分割映射的插值一致。该方法代表了一种特定类型的数据自适应正则化范式，有助于最大限度地减少在高置信度值下标记数据的过拟合。该方法不需要额外的计算量，优于对抗模型和生成模型。

强化学习绪论知识

Camvid数据集官网 ：http://mi.eng.cam.ac.uk/research/projects/VideoRec/CamVid/类别数：Object Recognition in Video Dataset (cam.ac.uk)1. 简介1.1 下载CamVid (Cambridge-Driving Labeled Video Database) | Kaggle1.1 简介Cam

Camvid数据集官网 ：http://mi.eng.cam.ac.uk/research/projects/VideoRec/CamVid/类别数：Object Recognition in Video Dataset (cam.ac.uk)1. 简介1.1 下载CamVid (Cambridge-Driving Labeled Video Database) | Kaggle1.1 简介Cam

fork了别人的项目，自己重新填写，我的代码如下https://gitee.com/fakerlove/machine-learning/tree/master/code代码原链接文章目录8. 吴恩达机器学习课程-作业8-异常检测和推荐系统8.1 异常检测8.1.1 题目介绍8.1.2 可视化数据8.1.3 代码1) 高斯分布2) 估计高斯参数3) 选择阈值4) 高维数据集8.2 推荐系统8.2.

SegFormer论文详解，2021CVPR收录，将Transformer与语义分割相结合的作品，动机来源有：SETR中使用VIT作为backbone提取的特征较为单一，PE限制预测的多样性，传统CNN的Decoder来恢复特征过程较为复杂。主要提出多层次的Transformer-Encoder和MLP-Decoder，性能达到SOTA。SegFormer是一个将transformer与轻量级多层

得益于深度学习的发展，计算机视觉技术在医学图像分析中得到了广泛的应用。图像分割是医学图像分析的重要组成部分。特别是准确、鲁棒的医学图像分割可以在计算机辅助诊断和图像引导的临床手术中发挥基石作用。现有的医学图像分割方法主要依赖u型结构的全卷积神经网(FCNN)。典型的u型网络，U-Net，由一个具有跳跃连接的对称编码器-解码器组成。在编码器中，采用一系列卷积层和连续降采样层来提取接收感受野的深度特征

百万级别的数据，从数据库一次性查询出来，是一件非常耗时的工作。即使我们可以从数据库中一次性查询出所有数据，没出现连接超时问题，这么多的数据全部加载到应用服务的内存中，也有可能会导致应用服务出现OOM问题。MySQL批量查询、数据同步、数据导出可以使用类似于分页查询的思路，但是鉴于LIMIT offset,size的效率太低，可以采用”滚动翻页”的实现方式 注意要用自增趋势的主键。针对报表中频繁查询

7行PyTorch代码实现的网络，就能在ImageNet上达到80%+的精度！尽管卷积网络多年来一直是视觉任务的主导架构，但最近的实验表明，基于Transformer的模型，尤其是视觉Transformer(ViT)，可能在某些设置下超过它们的性能。然而，由于变形金刚中自我注意层的二次运行时间，ViT需要使用补丁嵌入，将图像中的小区域组合成单个输入特征，以便应用于更大的图像尺寸。这就提出了一个问题