Zayıf denetim hedefine doğru konumlandırmayı yeniden düşünün
Tıbbi Görüntü Segmentasyonunda U-Net'e (R2U-Net) Dayalı Yinelemeli Artık Evrişimli Sinir Ağı Uygulaması
UNet ++: Tıbbi görüntü segmentasyonu için yuvalanmış bir U-Net yapısı
Doğrusal olmayan zaman serilerini bispektrum tabanlı derin evrişimli sinir ağını kullanarak sınıflandırın
HAttention-RPN ve Multi-Relation'ın süper küçük hedef tespiti
Kağıt adı: Zayıf Bir Şekilde Denetlenen Nesne Yerelleştirmesine Doğru Rotayı Yeniden Düşünme
Yazar: Chen-Lin Zhang
Gönderme süresi: 2020/3/3
Kağıt bağlantısı: https://paper.yanxishe.com/review/13532?from=leiphonecolumn_paperreview0313
Önerilen neden
Bu makale 2020CVPR içindir. Mevcut zayıf denetimli hedef konum yöntemini hedefleyen bu makale, mevcut araştırma ikilemini çözmek için sözde denetimli bir hedef konum yöntemi (PSOL) önermektedir. Yazar, iki açıdan sözde denetimli bir hedef konum ağı oluşturur: konumlandırma ve sınıflandırma ve ardından eğitim için eğitim setinde sahte GT oluşturmak için Derin tanımlayıcı dönüşümü (DDT) kullanır ve genel etki SOTA'ya ulaşır.
Makalenin üç ana katkısı var:
1. Sözde denetimli bir hedef konum PSOL algoritması önerin;
2. Algoritmanın farklı veri setlerinde ince ayar gerektirmediği ve iyi konumlandırma ve taşıma yeteneklerine sahip olabileceği deneylerle doğrulanmıştır.
Kağıt adı: Tıbbi Görüntü Segmentasyonu için U-Net'e (R2U-Net) dayalı Tekrarlayan Artık Evrişimli Sinir Ağı
Yazar: Alom Md Zahangir / Hasan Mahmudul / Yakopcic Chris / Taha Tarek M. / Asari Vijayan K.
Yayınlanma zamanı: 2018/2/20
Kağıt bağlantısı: https://paper.yanxishe.com/review/13551?from=leiphonecolumn_paperreview0313
Önerilen neden
Bu makalenin yazarı, sırasıyla RU-Net ve R2U-Net olarak adlandırılan bir U-Net tabanlı tekrarlayan evrişimli sinir ağı (RCNN) ve U-Net model tabanlı tekrarlayan artık evrişimli sinir ağı (RRCNN) önermektedir. Önerilen model, U-Net, artık ağ ve RCNN'yi kullanır. İlk olarak, kalan birim derin mimarileri eğitirken yardımcı olabilir. İkinci olarak, özyinelemeli artık evrişimli katmanın özellikleri, bölümleme görevleri için daha iyi bir özellik temsiline sahiptir. Üçüncüsü, aynı sayıda ağ parametresi ve daha iyi tıbbi görüntü bölümleme performansı ile daha iyi bir U-Net mimarisi tasarlamamıza olanak tanır.
Kağıt adı: UNet ++: Tıbbi Görüntü Segmentasyonu için İç İçe Bir U-Net Mimarisi
Yazar: Zongwei Zhou / Md Mahfuzur Rahman Siddiquee / Nima Tajbakhsh / Jianming Liang
Düzenlenme zamanı: 2018/7/18
Kağıt bağlantısı: https://paper.yanxishe.com/review/13550?from=leiphonecolumn_paperreview0313
Önerilen neden
Makale, 2018'de MICCAI'de UNet ++ yayınlanmıştır. Unet'teki temel iyileştirme, bağlantı atlamaktır. Yazar, atlama bağlantısının kodlayıcının yüzeysel özelliklerini, kod çözücünün derin özellikleriyle doğrudan birleştirdiğinin uygunsuz olduğuna ve anlamsal bir boşluk oluşturacağına inanmaktadır. Tüm makalenin varsayımlarından biri, birleştirilmiş sığ özellikler ve derin özellikler anlamsal olarak benzer olduğunda, ağ optimizasyonu probleminin daha basit olacağı, bu nedenle makaledeki atlama bağlantısının iyileştirilmesinin anlamsal boşluğu kapatmak / azaltmak olmasıdır.
Bildiri Başlığı: Bispektrum Tabanlı Derin Evrişimli Sinir Ağlarını Kullanan Doğrusal Olmayan Zaman Serisi Sınıflandırması
Yazar: Paul A. Parker / Scott H. Holan / Nalini Ravishanker
Gönderme süresi: 2020/3/4
Kağıt bağlantısı: https://paper.yanxishe.com/review/13522?from=leiphonecolumn_paperreview0313
Önerilen neden
1 Temel sorunlar:
Zaman serilerinin analizinde, akademi zaten zengin bir araştırma altyapısına ve geçmişine sahiptir.Temel sürecin doğrusal olduğu varsayıldığından, mevcut yöntemlerin çoğu yalnızca zaman serilerinin birinci dereceden ve ikinci dereceden özelliklerine dayanır. Bununla birlikte, doğrusal olmayan veriler gerçek dünyada yaygındır Bu durum ışığında, bu makale esas olarak doğrusal olmayan zaman serilerini sınıflandırma problemini çözmektedir.
2 İnovasyon noktası:
Daha önce, ticari ve endüstriyel zaman serileri verilerinin yüksek dereceli spektrum analizi (HOSA) kullanılarak istatistiksel sınıflandırılması üzerine ilgili bir araştırma yoktu. Bu makale temel olarak doğrusal olmayan zaman serilerini sınıflandırmak için yüksek sıralı spektrum analizi (HOSA) ve derin sinir ağını (DCNN) birleştiren bir yöntem önermektedir. Aynı zamanda, Bayesian sinir ağı, doğrusal olmayan zaman serisi verilerinin belirsizliğini ölçmek için de kullanılır. Deneysel bölümde, bu makale (1) Google trend verilerinin sınıflandırmasını gerçekleştirmiştir (2) ev aletlerinin elektrik tüketimine göre sınıflandırılmasını gerçekleştirmiştir.
3 Araştırma önemi:
Doğrusal olmayan zaman serileri için mevcut etkili sınıflandırma yöntemlerinin eksiklikleri ve doğrusal olmayan zaman serisi verilerinin gerçek hayatta yaygın olması gerçeğiyle karşı karşıya kalan bu makale, doğrusal olmayan zaman serileri sınıflandırması için bir yöntem önermektedir. Bu yöntem (1), belirsizlik ölçümünün (2) yüksek boyutlu veri yapılarını barındırabilmesi için elverişlidir, pahalı Monte Carlo Markov zincir hesaplaması (3) özellik çıkarma varyantını gerçekleştirir, bu varyant geçilebilir Muhakeme için kategori olasılıklarını belirlemek için kullanılan anahtar frekansları tanımlayın.
Kağıt Başlığı: Attention-RPN ve Multi-Relation Detector ile Few-Shot Nesne Algılama
Yazar: Qi Fan *
Gönderme süresi: 2019/12/23
Kağıt bağlantısı: https://paper.yanxishe.com/review/13530?from=leiphonecolumn_paperreview0313
Önerilen neden
Önem:
Bu makale esas olarak küçük örneklem hedeflerinin nasıl tespit edileceğini incelemektedir.Bu temelde yazar, daha sonraki araştırmalar için yeni fikirler sağlayan Attention-RPN, çok ilişkisel detektör ve karşılaştırmalı eğitim stratejisini içeren bir tespit algoritması önermektedir.
Yenilik:
1. Yeni bir küçük örneklem hedef tespit algoritması önerilmiştir Yenilikler arasında Attention-RPN, çok ilişkisel detektör ve karşılaştırmalı eğitim stratejisi bulunmaktadır.
2. 1000 kategori içeren küçük bir FSOD örnek tespit veri seti oluşturuldu FSOD üzerine eğitilmiş kağıt modeli, ince ayar yapılmadan doğrudan yeni kategorinin tespitine aktarılabilir.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı