医学图像语义分割:前列腺肿瘤、颅脑肿瘤、腹部多脏器 MRI、肝脏 CT、3D肝脏、心室

医学图像语义分割:前列腺肿瘤、颅脑肿瘤、腹部多脏器 MRI、肝脏 CT、3D肝脏、心室

    • 语义分割网络
      • FCN:通过将全连接层替换为卷积层并使用反卷积上采样,实现了第一个端到端的像素级分割网络
      • U-Net:采用对称的U形编解码器结构,并通过跳跃连接融合不同层级特征,在保留细节的同时获取语义信息。
      • DeepLab:使用空洞卷积和ASPP模块高效扩大感受野,并结合CRF后处理优化边界,实现多尺度特征提取。
      • PSPNet:引入金字塔池化模块聚合多尺度全局上下文信息,通过特征融合提升场景理解能力。
      • SegNet:基于对称编解码器结构,利用最大池化索引进行高效上采样,实现内存友好的实时分割。
      • DeconvNet:采用深度编码器和分阶段反卷积解码,通过非对称上采样路径精确重建目标形状细节。
      • RefineNet:设计多路径精炼结构和级联残差连接,通过自适应特征融合模块整合多层级信息。
      • P-Seg:金字塔特征提取(多尺度特征) + 特征融合网络(特征连接) + 分割头设计(边界优化)
      • nnU-Net:一个自适应的医学图像分割框架,通过自动分析数据特征来优化网络架构和训练策略,实现"即插即用"的通用分割方案
      • TransUNet:结合Transformer的全局建模能力和CNN的局部特征提取优势,在保持精细结构的同时获得更好的长程依赖关系理解。
      • BOWDA-Net:专注于前列腺分割的双向域适应网络,通过边界感知和域适应机制解决边界模糊和设备差异问题。
      • Attention U-Net:在U-Net基础上引入注意力机制,通过学习空间注意力权重来突出关键区域特征,提升分割精度。
      • 对比
    • 前列腺肿瘤 MRI
      • 分治
    • 颅脑肿瘤 MRI
    • 肝脏
    • 心室
    • 腹部多脏器 MRI

 


语义分割网络

图像语义分割 = 对每个像素点分类。

只需要把传统神经网络,最后全连接层变成全卷积网络(得到 2 维特征图),再接 softmax 获取每个像素点的分类信息。

输出:从一维类别分类,变成二维像素点分类。

 

FCN:通过将全连接层替换为卷积层并使用反卷积上采样,实现了第一个端到端的像素级分割网络

FCN (全卷积网络)

  • 目的:实现端到端的像素级分类
  • 问题:如何将分类网络转换为分割网络
  • 解法:
    1. 全连接层转换为卷积层(因为需要保持空间信息)
    2. 上采样恢复分辨率(因为需要与原图尺寸对应)
      • 之所以用反卷积上采样,是因为需要学习如何恢复分辨率
      • 例如:将16x16特征图上采样到32x32,每个点扩展为2x2区域

 

U-Net:采用对称的U形编解码器结构,并通过跳跃连接融合不同层级特征,在保留细节的同时获取语义信息。

U-Net

  • 目的:提高分割精度,尤其是边缘细节
  • 问题:如何在上采样过程中减少信息损失
  • 解法:
    1. 对称编码器-解码器结构(因为需要逐层还原特征)
    2. 跳跃连接(因为需要融合低层次和高层次特征)
      • 之所以用跳跃连接,是因为需要保留早期层的细节信息
      • 例如:在医学图像分割中,细胞边界信息在浅层网络中保留得更好

 

DeepLab:使用空洞卷积和ASPP模块高效扩大感受野,并结合CRF后处理优化边界,实现多尺度特征提取。

DeepLab系列

  • 目的:扩大感受野,获取多尺度特征
  • 问题:如何在不增加参数量的情况下扩大感受野
  • 解法:
    1. 空洞卷积(因为需要以较小的计算代价获得更大的感受野)
    2. ASPP模块(因为需要捕获多尺度上下文信息)
    3. CRF后处理(因为需要优化分割边界)
      • 之所以用空洞卷积,是因为可以在不增加参数量的情况下扩大感受野
      • 例如:检测不同大小的物体时,需要不同尺度的感受野

 

PSPNet:引入金字塔池化模块聚合多尺度全局上下文信息,通过特征融合提升场景理解能力。

PSPNet

  • 目的:整合全局场景信息
  • 问题:如何有效融合不同尺度的上下文信息
  • 解法:
    1. 金字塔池化模块(因为需要获取多尺度全局信息)
    2. 特征融合(因为需要组合局部和全局信息)
      • 之所以用金字塔池化,是因为可以获取不同尺度的上下文信息
      • 例如:理解道路场景时,需要同时考虑车辆细节和整体路况

 

SegNet:基于对称编解码器结构,利用最大池化索引进行高效上采样,实现内存友好的实时分割。

SegNet

  • 目的:实现高效的实时语义分割
  • 问题:如何在保持准确率的同时降低内存消耗
  • 解法:
    1. 对称编码器-解码器结构(因为需要逐步恢复空间信息)
    2. 最大池化索引上采样(因为需要节省内存同时保留位置信息)
      • 之所以用最大池化索引,是因为可以精确还原特征位置而无需存储完整特征图
      • 例如:在自动驾驶场景中,需要实时分割道路和障碍物,同时内存受限

 

DeconvNet:采用深度编码器和分阶段反卷积解码,通过非对称上采样路径精确重建目标形状细节。

DeconvNet

  • 目的:提高分割的细节准确度
  • 问题:如何更好地恢复目标的形状细节
  • 解法:
    1. 深度编码器(因为需要提取丰富的语义特征)
    2. 分阶段反卷积解码(因为需要渐进式恢复空间细节)
    3. 非对称上采样路径(因为需要灵活处理不同尺度的特征)
      • 之所以用分阶段反卷积,是因为可以更细致地控制特征重建过程
      • 例如:分割人体轮廓时,需要逐步恢复从大体轮廓到细节纹理

 

RefineNet:设计多路径精炼结构和级联残差连接,通过自适应特征融合模块整合多层级信息。

RefineNet

  • 目的:融合多尺度特征以提高分割精度
  • 问题:如何有效利用不同层级的特征信息
  • 解法:
    1. 多路径精炼(因为需要处理不同分辨率的特征)
    2. 级联残差连接(因为需要保证信息流动和梯度传播)
    3. 自适应融合模块(因为需要动态调整不同特征的权重)
      • 之所以用级联残差连接,是因为可以在长距离特征传递中保持信息完整性
      • 例如:分割复杂场景时,需要同时利用浅层的边缘信息和深层的语义信息

 

P-Seg:金字塔特征提取(多尺度特征) + 特征融合网络(特征连接) + 分割头设计(边界优化)

(1) 金字塔特征提取

  • 子解法1.1:自底向上的主干网络提取 (ResNet/ResNeXt)
    • 因为:图像包含多层次语义信息,需要逐层提取
  • 子解法1.2:多尺度特征图构建
    • 因为:不同尺度目标需要不同感受野

(2) 特征融合网络

  • 子解法2.1:横向连接
    • 因为:需要融合相同分辨率的特征
  • 子解法2.2:自顶向下路径增强
    • 因为:高层语义信息需要传递给低层特征

(3) 分割头设计

  • 子解法3.1:多层特征聚合
    • 因为:需要综合不同层级的特征信息
  • 子解法3.2:边界细化模块
    • 因为:提高分割边界的准确性

例子:
在自动驾驶场景中分割道路、车辆、行人等目标:

  • 道路是大尺度目标,主要利用深层特征
  • 远处的行人是小尺度目标,主要利用浅层特征
  • 通过特征融合实现不同目标的精确分割
  1. 逻辑链分析:
P-Seg
├── 特征提取(Backbone)
│   ├── 浅层特征提取
│   └── 深层特征提取
├── 特征融合(FPN)
│   ├── 横向连接
│   │   └── 同分辨率特征融合
│   └── 自顶向下融合
│       └── 高层语义增强
└── 分割预测(Head)├── 特征聚合└── 边界优化

这是一个混合型的逻辑网络,既有链式结构(特征提取→融合→预测),也有并行结构(多尺度特征的同时处理)。

 

nnU-Net:一个自适应的医学图像分割框架,通过自动分析数据特征来优化网络架构和训练策略,实现"即插即用"的通用分割方案

  1. nnU-Net (no-new-U-Net)

目的:实现医学图像分割的自动化适应性优化
问题:不同医学数据集特征差异大,难以用单一固定架构获得最佳效果
解法:自适应优化方案

  • 子解法1(数据特征自适应)

    • 自动数据分析和预处理
    • 根据数据特征选择2D/3D架构
    • 动态patch大小选择
      因为:医学数据分辨率、维度、组织对比度差异大
  • 子解法2(训练策略自适应)

    • 自动学习率调整
    • 动态损失函数选择
    • 自适应优化器配置
      因为:不同任务对训练参数敏感度不同

示例:脑肿瘤分割任务中,自动选择3D架构并调整patch size适应肿瘤大小

 

TransUNet:结合Transformer的全局建模能力和CNN的局部特征提取优势,在保持精细结构的同时获得更好的长程依赖关系理解。

  1. TransUNet

目的:提升医学图像分割的全局信息获取能力
问题:传统CNN难以捕获长距离依赖关系
解法:Transformer与CNN结合

  • 子解法1(全局特征提取)

    • Transformer编码器捕获长程依赖
    • 多头自注意力机制
      因为:医学图像中器官位置和形状关系复杂
  • 子解法2(局部细节优化)

    • CNN处理局部特征
    • Skip connection保留细节
      因为:医学图像需要同时保证全局准确性和局部精细度

示例:前列腺MRI分割中,可以同时关注整体形状和局部边界细节

 

BOWDA-Net:专注于前列腺分割的双向域适应网络,通过边界感知和域适应机制解决边界模糊和设备差异问题。

  1. BOWDA-Net

目的:提升前列腺分割的边界准确性和域适应能力
问题:前列腺边界模糊,不同设备间图像差异大
解法:边界感知与域适应结合

  • 子解法1(边界增强)

    • 多尺度边界特征提取
    • 边界注意力机制
      因为:前列腺边界与周围组织对比度低
  • 子解法2(域适应)

    • 双向特征对齐
    • 对抗学习策略
      因为:不同设备、不同医院的图像存在域差异

示例:在不同机构获取的前列腺MRI数据上保持稳定性能

 

Attention U-Net:在U-Net基础上引入注意力机制,通过学习空间注意力权重来突出关键区域特征,提升分割精度。

  1. Attention U-Net

目的:提升分割模型对关键区域的注意力
问题:传统U-Net对所有区域权重相同,忽视重要性差异
解法:注意力机制增强

  • 子解法(空间注意力)
    • 门控注意力单元
    • 多层级注意力特征融合
      因为:医学图像中目标区域与背景重要性差异大

示例:前列腺癌灶分割中,重点关注异常区域

 

医学图像分割
├── 数据特征处理
│   ├── 自适应优化 (nnU-Net)
│   └── 域适应对齐 (BOWDA-Net)
├── 特征提取策略
│   ├── 全局信息获取 (TransUNet)
│   └── 局部细节优化 (TransUNet, Attention U-Net)
└── 目标区域定位├── 边界增强 (BOWDA-Net)└── 注意力机制 (Attention U-Net)

 


对比

A. 叠加形态 (从基础到高级的演进):

第一层(把分类变成分割):
- FCN:全卷积+反卷积的基础架构
- SegNet:对称编解码器架构第二层(解决细节丢失问题):
- U-Net:跳跃连接增强细节
- DeconvNet:分阶段反卷积精细形状重建第三层(解决上下文信息缺失):
- DeepLab:空洞卷积扩大感受野
- PSPNet:多尺度上下文聚合第四层(解决全局场景理解):
- RefineNet:多路径精炼和级联融合
- P-Seg:金字塔特征提取和融合第五层(智能适应):
- nnU-Net:自适应优化
- TransUNet:Transformer全局建模
- BOWDA-Net:域适应和边界感知
- Attention U-Net:注意力增强
          局部特征  全局特征  边界处理  适应性
传统模型     强        弱        中      弱
注意力模型   强        中        强      中
自适应模型   强        强        强      强

 

B. 构成形态 (小部件组成大系统):

输入图像 → [特征提取] → [特征融合] → [上采样] → 输出分割图

完整分割系统
├── 特征提取子系统
│   ├── 基础特征模块 (卷积层)
│   ├── 中层特征模块 (池化层)
│   └── 高层语义模块 (深层网络)
├── 特征融合子系统
│   ├── 跳跃连接 (U-Net)
│   ├── 金字塔池化 (PSPNet)
│   └── 多路径精炼 (RefineNet)
└── 上采样子系统├── 反卷积 (FCN, DeconvNet)├── 最大池化索引 (SegNet)└── 渐进式重建 (RefineNet)
特征提取:学习图像特征
├── 浅层:边缘、纹理(卷积层)
├── 中层:形状、部件(池化层)
└── 深层:语义、类别(深层网络)特征融合:综合各层信息
├── 简单跳跃连接(U-Net)
├── 多尺度融合(PSPNet)
└── 多路径融合(RefineNet)上采样:还原分辨率
├── 简单反卷积(FCN)
├── 索引上采样(SegNet,省内存)
└── 渐进式还原(RefineNet,更精细)

C. 分化形态 (功能特化):

最初目标:把图像分割成不同区域分化方向1:追求精度
├── 做细节
│   ├── U-Net:医学图像(细胞、器官)
│   └── RefineNet:复杂场景(多个目标)
└── 做语义├── DeepLab:不同尺度目标└── PSPNet:整体场景关系分化方向2:追求效率
├── 算得快:SegNet(实时处理)
└── 内存少:SegNet(存储效率)
语义分割
├── 精度导向
│   ├── 边缘细节优化
│   │   ├── U-Net (医学图像)
│   │   └── RefineNet (复杂场景)
│   └── 语义理解优化
│       ├── DeepLab (场景分割)
│       └── PSPNet (场景解析)
└── 效率导向├── 计算效率│   ├── SegNet (实时处理)│   └── FCN (基础架构)└── 内存效率└── SegNet (索引上采样)
  1. 原始问题:把图像每个像素都分类(FCN)
  2. 遇到的挑战:
    • 细节模糊 → U-Net解决
    • 目标大小不一 → DeepLab解决
    • 场景关系复杂 → PSPNet解决
    • 计算资源受限 → SegNet解决
  3. 最终形成:
    • 高精度流派:U-Net、RefineNet(精细分割)
    • 场景理解流派:DeepLab、PSPNet(复杂场景)
    • 效率流派:SegNet(实时应用)

 

  1. 线性结构分析 (发展趋势):
FCN (2015) → U-Net (2015)SegNet (2016)DeconvNet (2016)DeepLab (2017)PSPNet (2017)RefineNet (2017)演进特征:
- 结构:简单结构 → 对称结构 → 多分支结构
- 特征融合:无融合 → 简单融合 → 多尺度融合
- 上下文信息:局部信息 → 多尺度信息 → 全局信息
- 计算效率:未优化 → 部分优化 → 高效设计
  1. 矩阵结构分析:
             精度  速度  内存  易用性  适应性
FCN          中    快    中    高     中
U-Net        高    中    中    中     中
SegNet       中    快    低    高     中
DeconvNet    高    慢    高    低     中
DeepLab      高    慢    高    低     高
PSPNet       高    慢    高    低     高
RefineNet    高    慢    高    低     高    
  1. 系统动力学分析:

关键变量:

  • 输入:图像分辨率、场景复杂度
  • 内部状态:特征图大小、参数量
  • 输出:分割精度、推理速度

反馈循环:

正向循环:
特征提取深度 ↑ → 语义理解能力 ↑ → 分割精度 ↑ → 模型复杂度 ↑负向循环:
模型复杂度 ↑ → 计算开销 ↑ → 处理速度 ↓ → 实用性 ↓

不同网络针对不同问题域进行了特化:

  • FCN:通用基础架构
  • U-Net:医学图像精细分割
  • SegNet:实时应用场景
  • DeepLab/PSPNet:复杂场景理解
  • RefineNet:高精度要求场景
语义分割任务
├── 是否有实时性要求?
│   ├── 是 ──┐ 
│   │   ├── 内存是否受限?
│   │   │   ├── 是 → SegNet
│   │   │   └── 否 → 简化版FCN
│   │   
│   └── 否 ──┐
│       ├── 场景复杂度高?
│       │   ├── 是 ──┐
│       │   │   ├── 计算资源充足?
│       │   │   │   ├── 是 ──┐ 
│       │   │   │   │   ├── 多尺度目标为主 → DeepLab
│       │   │   │   │   └── 需要全局场景理解 → PSPNet
│       │   │   │   └── 否 → 简化版DeepLab
│       │   │   │
│       │   │   └── 需要精细结构?
│       │   │       ├── 是 → RefineNet
│       │   │       └── 否 → DeepLab/PSPNet
│       │   │
│       │   └── 否 ──┐
│       │       ├── 需要精确边界?
│       │       │   ├── 是 ──┐
│       │       │   │   ├── 医学图像类任务 → U-Net
│       │       │   │   └── 普通场景 → DeconvNet
│       │       │   └── 否 → FCN
│       │       │
│       │       └── 资源受限?
│       │           ├── 是 → FCN
│       │           └── 否 → U-Net

关键决策点说明:

  1. 实时性 + 内存限制:

    • 严格限制 → SegNet(最大池化索引上采样更节省内存)
    • 较松限制 → 简化FCN
  2. 复杂场景 + 充足资源:

    • 多尺度目标 → DeepLab(空洞卷积优势)
    • 全局场景理解 → PSPNet(金字塔池化优势)
    • 精细结构需求 → RefineNet(多路径精炼优势)
  3. 简单场景:

    • 医学图像 → U-Net(跳跃连接保留细节)
    • 普通精确边界需求 → DeconvNet
    • 基础分割需求 → FCN

 


前列腺肿瘤 MRI

  1. 前列腺MRI图像特征:

A. 图像特点

- 组织对比度低(前列腺与周围软组织区分度不高)
- 边界模糊(特别是基底部和尖部)
- 形状变化大(个体差异、病变影响)
- 多序列特征(T1WI、T2WI、DWI等)

B. 分割难点

- 边界识别困难(与周围组织界限不清)
- 内部结构复杂(中央腺体、外周区等)
- 尺度变化(不同切片上前列腺大小不同)
- 病变影响(如肿瘤导致的形态改变)
  1. 需要解决的关键问题:

A. 精确度要求

- 边缘精确定位(手术规划需要)
- 内部分区识别(癌症诊断需要)
- 体积准确计算(病情评估需要)

B. 特征提取需求

- 局部细节(边界信息)
- 区域特征(内部结构)
- 空间关系(与周围器官位置关系)
  1. 最佳网络选择:

综合分析,适合采用 U-Net 架构为基础,结合DeepLab的特性:

A. 为什么选U-Net为基础:

优势匹配:
1. 跳跃连接保留边界细节- 有助于精确定位前列腺边界- 保留内部结构细节信息2. 对称编解码结构- 适合处理医学图像- 特征提取和重建平衡3. 在小数据集上表现好- 医学数据集通常较小- 减少过拟合风险

B. 为什么需要DeepLab特性:

互补优势:
1. 空洞卷积- 扩大感受野,看到更多上下文- 有助于理解前列腺与周围组织关系2. ASPP模块- 捕获多尺度特征- 适应不同切片上前列腺大小变化
  1. 具体架构建议:
改进的U-Net架构:
1. 编码器部分:- 加入空洞卷积- 增加感受野2. 解码器部分:- 保持原始U-Net结构- 保证细节重建3. 跳跃连接:- 多尺度特征融合- 注意力机制选择关键信息4. 输出层:- 多任务输出(分割+分区)- 边界增强约束
  1. 可能的改进方向:

A. 数据层面

- 多序列融合(T1、T2、DWI)
- 数据增强(形状变化、强度变化)
- 边界增强(手动标注重点关注)

不同模态优势互补:

  • T2序列:提供最佳的解剖结构细节
  • ADC序列:反映组织扩散特性,有助于区分良恶性病变
  • DWI序列:对肿瘤组织高度敏感

单一模态局限性:

  • 仅依赖单一模态容易出现假阳性/假阴性
  • 难以准确判断病变边界和性质

B. 网络层面

- 注意力机制(关注关键区域)
- 边界增强模块(提高边界准确性)
- 3D信息利用(考虑切片间关系)

C. 损失函数

- 边界感知损失
- 形状先验约束
- 区域特异性权重
  1. 实践建议:

A. 基础版本

标准U-Net + 空洞卷积
- 适合数据集较小
- 计算资源有限
- 快速实现验证

B. 进阶版本

U-Net + DeepLab特性 + 注意力机制
- 数据集充足
- 有较强算力
- 追求更高精度

C. 完整版本

多模态融合 + 3D信息 + 多任务学习
- 临床应用要求高
- 资源充足
- 长期优化方案

这个方案特别适合前列腺MRI分割任务,因为它:

  1. 保持了边界精确性(U-Net优势)
  2. 提供了足够的感受野(DeepLab特性)
  3. 平衡了精度和复杂度
  4. 留有优化和扩展空间

 

分治

医学影像的特殊性(图像特征模糊、区域边界不清晰、组织结构复杂、病变形态多样)决定了直接检测准确率低,而分步处理既能通过逐步细化提高精度,又能满足医疗实践中对诊断过程可解释、可干预、可验证的刚性需求。

就像医生看片子一样,先找到前列腺在哪里,再仔细看是否有病变,每一步都通过多种影像互相印证,确保诊断准确性。

 

一、预处理阶段(数据准备)

想象您在拍照前的准备工作:

  1. 中央区域切割

    • 就像裁剪照片,只保留重要部分
    • 去掉周围无关的区域,只关注前列腺区域
  2. 统一尺寸

    • 就像把所有照片都调整成相同大小
    • 确保所有图像尺寸一致,便于后续处理
  3. 正规化处理

    • 就像调整照片的亮度对比度
    • 使不同设备拍摄的图像达到相同标准
  4. 数据增强

    • 就像用一张照片生成多个角度的照片
    • 解决医学数据样本少的问题
  5. 去噪处理

    • 就像给照片去除杂点
    • 提高图像清晰度

 
就像使用望远镜,先粗调(大致范围),再精调(模糊图像变清晰)。

二、粗调(找到目标)

就像在整张照片中找人脸的位置:

  • 使用 YOLO 快速定位前列腺区域位置
  • 只需要知道大致在哪里

 

三、精细分割阶段(精确描绘)
就像给人脸画轮廓:

  1. 先精确划分前列腺中央区域
  2. 再精确标出可疑病变部位
  3. 使用多种MRI图像确保准确性

 
四、结果融合阶段(综合判断)

就像医生看多张检查结果做诊断:

  1. 综合分析多种MRI图像的结果
  2. 让专家确认结果是否准确
  3. 生成最终的诊断建议报告

为什么要分这么多步骤?

  1. 降低难度

    • 把复杂问题拆分成简单步骤
    • 每个步骤专注解决一个问题
  2. 提高准确性

    • 从粗到细逐步提高精度
    • 多重验证减少错误
  3. 实用性强

    • 每个步骤都可以单独优化
    • 出问题容易定位和修复

 


颅脑肿瘤 MRI

 


肝脏

 


心室

 


腹部多脏器 MRI

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/474565.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

如何解决多系统数据重复与冲突问题?

多系统并行运作已成为现代企业的常态。企业通常同时使用ERP、CRM、HR等多个业务系统来管理不同的功能模块。然而,这种多系统环境也带来了一个常见且棘手的问题:数据重复与矛盾。由于各系统独立运行且缺乏有效的集成机制,不同系统间的数据容易…

麒麟时间同步搭建chrony服务器

搭建chrony服务器 在本例中,kyserver01(172.16.200.10)作为客户端,同步服务端时间;kyserver02(172.16.200.11)作为服务端,提供时间同步服务。 配置服务端,修改以下内容…

【GPTs】Ai-Ming:AI命理助手,个人运势与未来发展剖析

博客主页: [小ᶻZ࿆] 本文专栏: AIGC | GPTs应用实例 文章目录 💯GPTs指令💯前言💯Ai-Ming主要功能适用场景优点缺点 💯小结 💯GPTs指令 中文翻译: defcomplete_sexagenary(年&a…

Chainlit快速实现AI对话应用将聊天记录的持久化到MySql关系数据库中

概述 默认情况下,Chainlit 应用不会保留其生成的聊天和元素。即网页一刷新,所有的聊天记录,页面上的所有聊天记录都会消失。但是,存储和利用这些数据的能力可能是您的项目或组织的重要组成部分。 之前写过一篇文章《Chainlit快速…

【动手学深度学习Pytorch】6. LeNet实现代码

LeNet(LeNet-5)由两个部分组成:卷积编码器和全连接层密集块 x.view(): 对tensor进行reshape import torch from torch import nn from d2l import torch as d2lclass Reshape(torch.nn.Module):def forward(self, x):return x.view(-1, 1, 28…

AI工具百宝箱|任意选择与Chatgpt、gemini、Claude等主流模型聊天的Anychat,等你来体验!

文章推荐 AI工具百宝箱|使用Deep Live Cam,上传一张照片就可以实现实时视频换脸...简直太逆天! Anychat 这是一款可以与任何模型聊天 (chatgpt、gemini、perplexity、claude、metal llama、grok 等)的应用。 在页面…

Excel数据动态获取与映射

处理代码 动态映射 动态读取 excel 中的数据,并通过 json 配置 指定对应列的值映射到模板中的什么字段上 private void GetFreightFeeByExcel(string filePath) {// 文件名需要以快递公司命名 便于映射查询string fileName Path.GetFileNameWithoutExtension(fi…

SRP 实现 Cook-Torrance BRDF

写的很乱! BRDF(Bidirectional Reflectance Distribution Function)全称双向反射分布函数。辐射量单位非常多,这里为方便直观理解,会用非常不严谨的光照强度来解释说明。 BRDF光照模型,上反射率公式&#…

[代码随想录Day16打卡] 找树左下角的值 路径总和 从中序与后序遍历序列构造二叉树

找树左下角的值 定义:二叉树中最后一行最靠左侧的值。 前序,中序,后序遍历都是先遍历左然后遍历右。 因为优先遍历左节点,所以递归中因为深度增加更新result的时候,更新的值是当前深度最左侧的值,到最后就…

【第七节】在RadAsm中使用OllyDBG调试器

前言 接着本专栏上一节,我们虽然已经用上RadAsm进行编写x86汇编代码并编译运行,但是想进行断点调试怎么办。RadAsm里面找不到断点调试,下面我们来介绍如何在RadAsm上联合调试器OllyDBG进行调试代码。 OllyDBG的介绍与下载 OllyDBG 是一款功能…

WPF MVVM框架

一、MVVM简介 MVC Model View Control MVP MVVM即Model-View-ViewModel,MVVM模式与MVP(Model-View-Presenter)模式相似,主要目的是分离视图(View)和模型(Model),具有低…

PH热榜 | 2024-11-19

DevNow 是一个精简的开源技术博客项目模版,支持 Vercel 一键部署,支持评论、搜索等功能,欢迎大家体验。 在线预览 1. Layer 标语:受大脑启发的规划器 介绍:体验一下这款新一代的任务和项目管理系统吧!它…

【ArcGISPro】使用AI模型提取要素-提取车辆(目标识别)

示例数据下载 栅格数据从网上随便找一个带有车辆的栅格数据 f094a6b1e205cd4d30a2e0f816f0c6af.jpg (1200799) (588ku.com) 添加数据

联通光猫(烽火通信设备)改桥接教程

一、获得超级密码 1.打开telnet连接权限 http://192.168.1.1/telnet?enable1&key9070D3BECD70(MAC地址)2.连接光猫获取密码 telnet 192.168.1.1 用户名:admin 密码:Fh9070D3BECD70连接成功后 load_cli factory show admin_…

掌握SEO提升网站流量的关键在于长尾关键词的有效运用

内容概要 在现代数字营销中,搜索引擎优化(SEO)被广泛视为提升网站流量的核心策略之一,而其中长尾关键词的运用显得尤为重要。长尾关键词通常由三个或更多个词组成,具有更高的针对性和精确度,可以更好地满足…

【期权懂|个股期权中的备兑开仓策略是如何进行的?

期权小懂每日分享期权知识,帮助期权新手及时有效地掌握即市趋势与新资讯! 个股期权中的备兑开仓策略是如何进行的? 个股期权备兑开仓的优点和风险‌: ‌(1)优点‌:备兑开仓可以增强持股收益&…

汽车安全再进化 - SemiDrive X9HP 与环景影像系统 AVM 的系统整合

当今汽车工业正面临著前所未有的挑战与机遇,随著自动驾驶技术的迅速发展,汽车的安全性与性能需求日益提高。在这样的背景下,汽车 AVM(Automotive Visual Monitoring)标准应运而生,成为促进汽车智能化和安全…

MongoDB聚合操作

管道的聚合 管道在Unix和Linux中一般用于将当前命令的输出结果作为下一个命令的参数。 MongoDB的聚合管道将MongoDB文档在一个管道处理完毕后将结果传递给下一个管道处理。管道操作是可以重复的。 表达式:处理输入文档并输出。表达式是无状态的,只能用…

向量数据库FAISS之五:原理(LSH、PQ、HNSW、IVF)

1.Locality Sensitive Hashing (LSH) 使用 Shingling MinHashing 进行查找 左侧是字典,右侧是 LSH。目的是把足够相似的索引放在同一个桶内。 LSH 有很多的版本,很灵活,这里先介绍第一个版本,也是原始版本 Shingling one-hot …

https(day30)

1.配置需要配置端口为443 2.配置需要配置证书 ssl_certificate /path/to/your/fullchain.pem; # 证书文件 ssl_certificate_key /path/to/your/private.key; # 私钥文件 3.其他优化