CJH's blog

GNN图神经网络 一种用于处理图形数据的深度学习技术。通过一些特别的节点和边的策略，GNN能把图数据变成神经网络能训练的标准格式。在节点分类、边信息传播和图聚类这些任务中，GNN表现得都特别好。 相比于其他的图学习算法，GNN有着特别出色的学习能力，它擅长找到图数据中**节点和边背后隐藏的深层次规律和语义特征。**有了这个强大的能力，GNN在解决各种不同领域的问题时，都可以更准确地预测，结果也更稳定。 参考资料 图神经网络（GNN）最简单全面原理与代码实现！ - 知乎 (zhihu.com) 图神经网络(GNN)原理与应用 (qq.com) 强烈推荐：A Gentle Introduction to Graph Neural Networks (distill.pub) 1. 什么是图数据？在图神经网络中，图数据是以什么形式表示的？ 图数据是由**节点（Node）和边（Edge）**组成的数据，最简单的方式是使用邻接矩阵来表示图形结构，从而捕捉图形中的节点和边的相关性。假设图中的节点数为n，那么邻接矩阵就是一个n*n的矩阵，如果节点之间有关联，则在邻接矩阵中表示为1，无关联则为0。在图 ...

论文精读（二）Pix2Vox: Context-aware 3D Reconstruction from Single and Multi-view Images 2019 哈尔滨工业大学做的，文章通俗易懂。 ICCV 2019 Open Access Repository (thecvf.com) Pix2Vox | Infinite Script 摘要 针对这些问题，构造了一种新的单视图和多视图三维重建框架Pix 2 Vox.通过使用设计良好的编码器-解码器，它从每个输入图像生成粗略的3D体积。然后，引入上下文感知融合模块，以自适应地为每个部分选择高质量重建（例如，桌腿）以获得融合的3D体积。最后，细化器进一步细化融合的3D体积以生成最终输出。在ShapeNet和Pix 3D基准测试上的实验结果表明，Pix 2 Vox算法的性能明显优于现有算法。与3D-R2 N2算法相比，该算法的后向推理速度提高了24倍.在ShapeNet不可见三维类别上的实验表明，该方法具有上级的泛化能力. 1 引言 三维重建是机器人、CAD、虚拟现实和增强现实等领域的重要问题。传统的方法，如运动结构（SfM ...

论文精读（一）Efficient Pix2Vox++ for 3D CardiacReconstruction from 2D Echo Views高效的Pix2Vox++用于从2D超声视图进行3D心脏重建。 Efficient Pix2Vox++ for 3D Cardiac Reconstruction from 2D Echo Views | SpringerLink 一图流 摘要我们提出了一个简单的改变Pix2Vox++网络的内存使用量和计算复杂性的大幅减少，并从2D标准心脏视图执行3D解剖重建的方法，有效地使3D解剖重建从有限的2D数据。 我们使用合成生成的数据评估我们的管道，仅从心脏的两个标准解剖2D视图实现准确的3D全心脏重建（峰值交叉联合评分> 0.88）。 1 引言1.1 动机与背景2D超声便宜，常用，安全，时间分辨率高但是依赖医生的熟练程度。 3D伪影多，时间空间分辨率差，价格贵。 心脏作为一个3D结构，十分复杂。仅用2D无法捕捉大多数特征，比如心房壁心事壁，瓣膜铰链。心脏运动结合了3D运动中的旋转，垂直运动与位移，捕捉的运动中的2D视图会影响分析。 大部分医 ...

心脏超声-基本概念 心动超声（Echocardiography），又称为超声心动图，是利用超声波技术对心脏进行成像和检查的一种无创诊断方法。它在临床医学中广泛应用，用于评估心脏的结构和功能，诊断各种心脏病变。以下是对心动超声的详细介绍： 基本原理 心动超声利用高频声波（超声波）穿过身体组织时产生的回声来形成心脏的图像。超声波通过探头（换能器）发射进入体内，当声波遇到不同的组织界面时，会产生反射和散射，探头再接收这些回波信号并转换成图像显示在屏幕上。//多普勒效益 基本类别 M型超声（M-mode） 提供单一超声波束的时间-距离图像，可以详细评估心脏结构的运动，如心脏壁的厚度和瓣膜的运动。 直线扫描。 二维超声（2D Echo） 提供心脏的实时横截面图像，能观察心腔、心肌、心瓣膜等结构的解剖和功能，广泛用于常规心脏检查。 梯形面扫描。 多普勒超声（Doppler Echo） 分为彩色多普勒（Color Doppler）、脉冲波多普勒（PW Doppler）和连续波多普勒（CW Doppler），用于测量血流速度和方向，评估心脏血流动力学情况，诊断瓣膜病变和先天性心脏病。 ...

奇异值分解SVD 参考文献：【【学长小课堂】什么是奇异值分解SVD–SVD如何分解时空矩阵】https://www.bilibili.com/video/BV16A411T7zX?vd_source=bd967f0d540a64617b8b612bc0f0f9a3 【特征分解6-奇异值分解】https://www.bilibili.com/video/BV1ePvVe3E8B?vd_source=bd967f0d540a64617b8b612bc0f0f9a3 奇异值分解, 这一篇就够了 奇异值分解（SVD）（Singular Value Decomposition） 笔记 特征分解 A=Vdiag(λ)V−1A = Vdiag(\lambda)V^{-1}A=Vdiag(λ)V−1 奇异值分解A=UΣVTA=U \Sigma V^TA=UΣVT 两者本质相同：使用三个更简单的子矩阵的相乘来表示。 分解的本质：通过分解获取矩阵的核心特征。本质就是用分解后更简单的三个矩阵包含更重要核心的信息。其实也是机器学习和深度学习中特征提取的一种方法。 实例 任意形状的矩阵SVD分解成一个正交矩 ...

RANSAC 随机采样一致性 推荐资料 http://t.csdnimg.cn/ljIMI 【2022B站最好最全的【三维重建】课程！！！北邮教授竟然把三维重建讲的如此通俗易懂，学不会UPZHIJIE 退网下架！！！-人工智能/计算机视觉/三维重建】https://www.bilibili.com/video/BV1DP41157dB?p=7&vd_source=bd967f0d540a64617b8b612bc0f0f9a3 上面视频的第7P，1小时15分钟开始，有生动的介绍。 简介 RANSAC（Random Sample Consensus）算法是一种基于随机采样的迭代算法，用于估计一个数学模型参数。它最初由Fischler和Bolles于1981年提出，主要用于计算机视觉和计算机图形学中的模型拟合和参数估计问题。 RANSAC算法的基本思想是通过随机采样一小部分数据来估计模型参数，然后用这个模型对所有数据进行测试，将满足模型的数据点作为内点，不满足模型的数据点作为外点。通过迭代的方式不断随机采样和估计模型参数，最终得到内点数目最多的模型作为最终的估计结果。 RANS ...

基于MRTK3的象棋AR游戏（广工优秀毕业设计非完整版） 摘要 本文采用混合现实工具包MRTK3，在Unity平台上设计并实现了一款基于MRTK3的AR象棋游戏，使用HoloLens2设备进行交互。针对中国象棋规则和棋盘布局，设计出游戏的交互界面和操作方式，实现了棋子的选择、移动、吃子、悔棋、重开等基本操作。具体地， （1）使用MRTK3的文本框以及按钮预设体，完成对按钮以及文本框的建模工作。 （2）使用Unity中的模型工具，完成对棋盘、棋子、辅助点和微模型的建模工作。 （3）使用粒子系统，制作了在落棋时产生的粒子特效。 （4）添加游戏模式。本文设置了“单人学习”与“残局较量”两种游戏模式。玩家可以随时切换游戏模式。 经过综合测试，基于MRTK3的AR中国象棋游戏具有良好的交互性和娱乐性，程序无故障。 关键词： MRTK3，Unity，游戏开发，增强现实 1 绪论 1.1 研究背景与意义 技术背景：随着计算机视觉、图形处理、传感器技术和移动设备性能的不断提升，AR技术得以快速发展并应用于游戏领域。这些技术为游戏玩家提供了全新的沉浸式体验。尤其是先前进入市场的HoloLens2以及 ...

python考研复试 输入输出 强力推荐卡玛网前30题，各类的输入方法。 卡码网KamaCoder GitHub - youngyangyang04/kamacoder-solutions: 卡码网题解全集 12345if __name__ =="__main__": input().strip() # strip用来去除空格\n for i in range(n): input().strip().split() # 循环输入split()用来分割，默认出来的是list a,b = map(int,input().strip().split()) #对a,b做int操作 另一种方法（牛客）： 12for line in sys.stdin: a = line.split() # 每一行的输入 循环 力口： 1234class Solution: def pivotIndex(self, nums: List[int]) -> int: return int 输出基本靠return 或者 p ...

论文跟读系列（一）：反向传播 资源 https://www.iro.umontreal.ca/~vincentp/ift3395/lectures/backprop_old.pdf 【【论文必读#1：反向传播】在错误中学习，在传递中演进】 https://www.bilibili.com/video/BV1954y1o7bh/?share_source=copy_web&vd_source=bd967f0d540a64617b8b612bc0f0f9a3 作者介绍 这篇论文是三位大牛的合作，其中有我们比较了解的Hinton大牛。 知识点 反向传播入门 神经网络15分钟入门！——反向传播到底是怎么传播的？ - Mr.看海的文章 - 知乎 https://zhuanlan.zhihu.com/p/66534632 反向传播最佳总结——一篇文章读懂神经网络反向传播 - 干好每一天的文章 - 知乎 https://zhuanlan.zhihu.com/p/662487898 温故知新——前向传播算法和反向传播算法（BP算法）及其推导 - G-kdom的文章 - 知乎 https:// ...