Yoğun bağlantılı çift yönlü ConvLSTMU-Net evrişim
SAU-Net: Omurga 3D MRI segmentasyonunda uzamsal dikkati temel alan yoğun U-N ağı uygulaması
Uyarlanabilir stereo eşleştirmeyi öğrenin
Doğal ve Tıbbi İmgelerin Derin Anlamsal Segmentasyonu: Bir Gözden Geçirme
Hisse senedi piyasası tahmininde derin öğrenmenin uygulanması: son gelişme
Kağıt adı: Çift Yönlü ConvLSTM U-Net with Densley Connected Convolutions
Yazar: Reza Azad; Maryam Asadi-Aghbolaghi; Mahmood Fathy; Sergio Escalera
Düzenlenme zamanı: 2019/9/15
Kağıt bağlantısı: https://paper.yanxishe.com/review/13536?from=leiphonecolumn_paperreview0317
Önerilen neden
Geleneksel U-Net'te, kodlanmış özelliği doğrudan kopyalarlar ve bunu kod çözme şubesine entegre ederler. Bu makale, BConvLSTM yöntemini kodlama ve kod çözme özelliklerini daha iyi birleştirmek üzere ele almak için kullanmayı önerir. Burada kullanılan ConvLSTM şu kaynaklıdır: Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting, NIPS 2015. Model, giriş geçidi, çıkış geçidi, unutma geçidi ve bir bellek hücresi içerir.
Makale Başlığı: SAU-Net: 3D Omurga MRI Segmentasyonu için Uzamsal Dikkat Temelli Yoğun Şekilde Bağlı U-Net
Yazar: Anonim yazarlar
Gönderme süresi: 2020/1/10
Kağıt bağlantısı: https://paper.yanxishe.com/review/13534?from=leiphonecolumn_paperreview0317
Önerilen neden
Omurga segmentasyonu probleminde, düzensiz dilim şekilleri ve dilimler arasındaki büyük farklar genellikle düşük segmentasyon doğruluğu ile sonuçlanır.
Bu nedenle, bu makalenin yazarı, giriş 3B görüntüsünü tahmin etmek için yığılmış DenseU-Net yapısını kullanır. Ardından, kaba bölümleme sonucunu iyileştirmek ve nihai bölümleme sonucunu elde etmek için katmanlar arası bilgileri kullanın.
Kağıt adı: Stereo için Uyarlamayı Öğrenme
Yazar: Tonioni Alessio / Rahnama Oscar / Joy Thomas / Di Stefano Luigi / Ajanthan Thalaiyasingam / Torr Philip H. S.
Gönderme süresi: 2019/4/5
Kağıt bağlantısı: https://paper.yanxishe.com/review/13528?from=leiphonecolumn_paperreview0317
Önerilen neden
Bu makale esas olarak sentetik / simülasyon veri alanından stereo eşleştirme alanındaki gerçek veri alanına uyarlamalı öğrenmeyi ele almaktadır. Yazar, gerçek durumlarda uyarlanabilir öğrenme sürecini sentetik veriler üzerinde simüle etmeyi ve uyarlanabilir süreci eğitim aşamasının öğrenme hedefine dahil etmeyi umarak meta-öğrenme MAML fikrinden yararlanıyor. Yazar, eğitim sırasında mevcut video karesi için denetimsiz bir kayıp işlevini kullanarak yeni ortama adapte olma sürecini simüle etmek için çıkarılan video karelerini kullanır ve ardından uyarlamanın etkinliğini değerlendirmek için bir sonraki kare için denetimli bir kayıp işlevi kullanır. Bundan eğitilen model, farklı yeni ortamlara daha iyi uyum sağlayabilir. Aynı zamanda, denetimsiz adaptasyonun kalitesini iyileştirmek için, yazar ayrıca denetimsiz kayıp işlevinde tıkanan pikselleri filtrelemek için bir güven tahmin ağı tasarladı. Yazar, meta-öğrenmeden fikirler arar ve son derece yenilikçi olan eğitim optimizasyonu yoluyla uyarlanabilir yeteneğin gelişimini başarır. Bu makale CVPR 2019'a dahil edilmiştir.
Bildiri Başlığı: Doğal ve Tıbbi Görüntülerin Derin Anlamsal Segmentasyonu: Bir İnceleme
Yazar: Saeid Asgari Taghanaki * 1 / Kumar Abhishek1 / Joseph Paul Cohen2 / Julien Cohen-Adad3 / ve Ghassan Hamarneh1
Gönderme süresi: 2019/10/16
Kağıt bağlantısı: https://paper.yanxishe.com/review/13529?from=leiphonecolumn_paperreview0317
Önerilen neden
Bu, 2019'un ikinci yarısında yayınlanan tıbbi görüntü segmentasyonunun bir incelemesidir. Bu makale esas olarak doğal görüntü anlamsal bölümleme ve tıbbi görüntü bölümlemesinin bilgi noktalarını sıralayıp özetlemektedir. Bu derleme, en klasik derin öğrenme tabanlı tıbbi görüntü ve tıbbi olmayan görüntü bölümleme problemlerini beş alt problemde özetlemektedir: ağ yapısı, kayıp işlevi, veri sentezi (üretimi), zayıf denetimli yöntemler ve çok görevli yöntemler , İçerik, derin öğrenmeye dayalı görüntü semantik bölümleme hakkındaki klasik ve en son makaleleri kapsar. Son olarak, gelecekteki doğal görüntülerin ve tıbbi görüntülerin sıcak araştırma yönlerini özetlemektedir.
Kağıt adı: Borsa tahmininde derin öğrenme uygulamaları: son ilerleme
Yazar: Jiang Weiwei
Gönderme süresi: 2020/2/29
Kağıt bağlantısı: https://paper.yanxishe.com/review/13411?from=leiphonecolumn_paperreview0317
Önerilen neden
Bu makale, hisse senedi piyasası tahmin literatüründeki son 3 yıllık derin öğrenmeyi gözden geçiriyor ve özetliyor, sonraki araştırmacıların bu alandaki en son gelişmeleri hızlı bir şekilde anlamalarına izin vermeye çalışıyor ve aynı zamanda izlemeye yardımcı olmak için geçmiş çalışmalardaki açık kaynak koduna ve verilere özel önem veriyor. Araştırmacıların çoğu, önceki çalışmalarını yeni modelle karşılaştırmak için bir kriter olarak yeniden üretti. Bu alan hala çok aktif.Yeni grafik evrişim modelleri gibi yeni çalışmalar borsa tahmin problemine yeni bakış açıları getirecek ve bu alanın daha da gelişmesini teşvik edebilir.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı