写在前面

CoTr: Effciently Bridging CNN and Transformer for 3D Medical Image Segmentation是3.4刚投稿的一篇3D医学图像分割论文 作者西北工业大学夏勇老师团队和沈春华老师团队

论文地址：https://arxiv.org/pdf/2103.03024.pdf

代码地址(Pytorch):YtongXie/CoTr(官方)

数据集(BCV dataset):https://www.synapse.org/#!Synapse:syn3193805/wiki/217789

写在前面

• Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers 发表在2020CVPR
• 原文地址：https://arxiv.org/abs/2012.15840
• 代码实现(Pytorch)：920232796/SETR-pytorch(非官方)
• 数据集(三个)：Cityscapes/ADE20K/PASCAL Context

[一]写在前面

​ 简单总结一下分别用(一直混淆的)字节流or字符流读写文件。

写在前面

上篇我们学习了如何随意穿梭在不同版本的文件中,即版本切换。这里的版本切换是广义上的,也就是说操作对象既可以是本地的repo又可以是远程仓库。本次学习的内容主要是介绍远程仓库,以及新概念分支。开始新的学习之前,再把我们的全局图搬过来⬇️,本次内容会涉及到整个大的闭环。

写在前面

今天有一个小小的idea,需要用到分组卷积,于是我翻开了notebook,发现之前对两种卷积的分析都太简单了,这次再复习竟不知道啥是啥,于是痛定思痛,决定以后把经典的东西,都仔仔细细地写在这里,供大家批评,鞭策自己进步！

请注意题目顺序先分组卷积再深度可分离卷积,后面就知道为什么一定要按这样的顺序了。

写在前面

今天我们一起来乘着哆啦A梦的时光机,看看文件如何在不同版本之间自由穿梭的吧～

（把上篇里的全局图搬过来⬇️：

在本次学习开始之前,先补充一点知识(这里默认大家跟我一样不知道),我们在用Linux命令的时候经常会遇到加一横的参数和加两横的参数,参数多了就很容易记混,这里来总结一下:

补充知识：关于命令的使用的区别： 第一种：参数用一横的说明后面的参数是字符形式。(Unix风格) e.g. git commit -m “message” 第二种：参数用两横的说明后面的参数是单词形式。(GUN风格) e.g. git log –pretty=oneline

[一]写在前面

之前想学Git总是被大量的命令震慑住,毫无头绪,有时候根据需求去搜索,也只能做到知其然而不知其所以然,这次打算一周内系统学习一下,所以先绘制了下面这幅全局图,希望能达到事半功倍的效果(Mac不能用Visio画图,亿图图示可以替代!还挺好用的),下面我们的学习全部围绕这幅全局图来展开！

写在前面

今天跑测试代码的时候遇到了以下问题:对于同一个模型,相同的参数(同一个.pth文件),加不加

1

model = nn.DataParallel(model)

测试结果相差特别多(如下图所示),加了这句mIoU是第一个结果0.8847,没加是0.4929(以mIoU为例,可以看到其他各项指标也都掉的严重),所以决定花点心思把nn.DataParallel(model)搞清楚。

这里需要注意一下:多卡训练要考虑通信开销的, 是个trade-off的过程,不见得四块卡一定比两块卡快多少,训练到四块卡的时候可能io通信开销已经占了大头。

写在前面

本篇论文《CLCI-Net: Cross-Level fusion and Context Inference Networks for Lesion Segmentation of Chronic Stroke》发表在去年MICCAI2019

论文地址：https://arxiv.org/abs/1907.07008

代码地址(tensorflow/Keras):https://github.com/YH0517/CLCI_Net/blob/master/CLCI_Net.py(官方)

代码地址(pytorch):https://github.com/Cassieyy/CLCINet_-MICCAI2019-(笔者复现,欢迎指正)

数据集：Anatomical Tracings of Lesions After Stroke (ATLAS)(开源)

写在前面

本篇论文《Gated-SCNN: Gated Shape CNNs for Semantic Segmentation》是作者在NVIDIA工作期间(现在在Google)的一篇将门控卷积和seg结合的paper,文章发表在2019ICCV.

论文地址：https://openaccess.thecvf.com/content_ICCV_2019/papers/Takikawa_Gated-SCNN_Gated_Shape_CNNs_for_Semantic_Segmentation_ICCV_2019_paper.pdf

代码地址(tensorflow):https://github.com/ben-davidson-6/Gated-SCNN

代码地址(pytorch):https://github.com/nv-tlabs/GSCNN(官方)

数据集：Cityscape(开源)