登录社区云，与社区用户共同成长
邀请您加入社区
一、该网络中采用了上下文信息捕获模块。通过扩大感受野，在保留细节信息的同时，在中心部分进行多尺度特征的融合，缓解了传统算法中细节信息丢失的问题；通过自适应地融合局部语义特征，该网络在空间特征和通道特征之间建立长距离的依赖关系；将原始图像与 E-Net 的 3 通道分割结果作为 D-Net 的 6 通道输入进行级联。二、分割网络：边缘提取网络+细节优化网络。
本文还是清华大学THUML实验室的论文，背景是在历史的研究中，大多数时序预测方法都是针对平稳型数据，但是在实际生产过程中，大部分数据其实没有那么强的平稳性，因此本文想针对这种非平稳型的数据进行模型优化；
对于某个特定的神经网络模型来说，模型除了神经元内部参数，以及神经元之间的权重之外，模型的规模、结构完全不会变化，这也是计算机存储结构等因素决定的。当前深度学习的研究对神经科学研究的存在的必要性提出了挑战，因为二者研究的目标都是对于人类大脑的工作原理的研究，但是深度学习偏向于应用、结果论，而神经科学则重点探究原理和过程。这种由AI生成的肿瘤图像来训练AI，在数据集的角度上显然是扩充了数据集的规模，增
