1. 该项目功能包括二类/多类loss设计、模型融合、阈值dice指标设计、数据集设计、模型训练和测试。该项目的目的是识别并分割五类人体器官的功能组织单位，提高模型跨越多个器官的泛化性和鲁棒性。数据来源于kaggle平台的公开数据集：HuBMAP + HPA - Hacking the Human Body，输入图像为.tiff格式，图像中的标注信息包含RLE编码过的mask，使用者可以使用该项目分割出人体器官对应的mask，可将mask编码为RLE格式 2. 将.csv文件中的RLE信息转换成.png格式的mask。训练集图片有351张，数据量少，且图片的分辨率很大（3000×3000），因此需要对图像进行切patch操作。训练过程中使用多折交叉验证的训练策略，提高数据的利用率。设计动态门限，找到对应dice值最高的门限值。通过消融实验验证efficientNet、FPN、UneXt50、和ASPP模块的作用（是否会影响指标），最终融合这些模块。在测试阶段使用TTA，提高模型的泛化能力。设计二类/多类loss，二类loss用于预测每个像素是否属于mask，多类loss用于得到该图像属于哪类器官组织的概率。验证集当阈值取0.55时，dice值最高为0.83，测试集最佳dice为0.65

1. 该项目可分为数据预处理、数据集设计和划分、网络模型、模型训练、模型测试、界面设计几个模块。该项目的目的是为了从人体多种组织细胞的病理图像中，分割出癌细胞核，以辅助医务人员和科研人员对于癌细胞的研究和癌症的诊断。输入可以选择测试集中的一张细胞病理图像，输出为模型预测出的癌细胞核的mask。使用者可以根据自己的实际需要调整界面控件（按钮、输入输出图像显示、文本框等）的摆放位置、控件数量，调整预测接口以输出定制化的预测结果（如输出图像中癌细胞核的mask和细胞原图的所属类别）。该项目的输入数据来源于kaggle平台提供的公开数据集：Cancer Instance Segmentation and Classification，使用者可以根据数据集之间的差异修改项目中的数据集模块。根据指标需要替换和修改网络模型以进一步提高指标。通过修改mask的通道，该项目还可以实现其他细胞核的分割：炎性细胞、结缔/软组织细胞、死细胞和上皮细胞。 2. 由于images.npy文件很大，直接读取和进行数据处理，读取速度慢、资源开销大，而且.npy文件不便于可视化，因此需要进行数据预处理，将images.npy和masks.npy转为.png格式的可视化图像，而且该数据集中有部分未标注数据，由于选用全监督方法进行训练和测试，需要对这部分数据进行滤除（避免影响网络训练）。网络模型采用Mask RCNN，可用于实例分割。界面部分是自主设计的，可以实现从测试集中任意选择一张图片，然后输出预测出的mask图像的功能。验证集最佳AP可达到81%，最佳AR可达到64%；测试集最佳AP可达到70%，最佳AR可达到54%。

1. 项目功能分为：数据预处理、坐标建模、轨迹分析、坐标聚类、生成聚类中心图和输出时间及位置信息。该项目的输入包括车辆ID、经纬度、方向、速度、状态(0：空载、1：有载客）、数据发送时间（年月日时分秒）、数据接收时间、行政区号和具体位置等信息，数据格式为.txt文件。该项目的目的是根据每辆车的轨迹信息，时间先后，及状态（有无载客）来确定上下车集中的位置和时间，本质上是实现坐标点的聚类。使用者可以修改输入数据（使用前需要将.txt格式转为.csv格式），替换和修改聚类算法，找到更加精确的聚类中心，提高预测精度。本项目中确定聚类中心的距离指标是欧氏距离，使用者可以根据实际需要修改为其他距离指标（如：曼哈顿距离） 2. 本项目的难点在于数据筛选、坐标建模以及聚类中心的确定。将txt文件转为csv文件便于进行后续的数据处理，该数据集包含20万条车辆信息，包括：车辆ID、经纬度、方向、速度、状态(0：空载、1：有载客）、数据发送时间（年月日时分秒）、数据接收时间、车辆类型（全为0：出租车）、行政区 号和具体位置，其中与项目相关的数据包括：车辆ID、经纬度（上下车点）、状态、数据发送时间（将该时间视为该车当时所处的时间点）、行政区号和具体位置。将经纬度转为位置坐标，根据车辆ID分组，然后按照时间先后进行排序，查看每辆车的运行轨迹以及载客状态的变化，根据肘部原则确定聚类中心的个数，使用K-means算法确定聚类中心的位置，生成聚类中心图，然后找到距离聚类中心最近的点，将该点的时间和位置信息（行政区号和具体位置）打印为一个文本