目录
重新思考通往弱监督目标的定位
基于U-Net(R2U-Net)的递归残差卷积神经网络在医学图像分割中的应用
UNet++: 一种医学图像分割的嵌套U-Net结构
使用基于双谱的深度卷积神经网络对非线性时间序列进行分类
hAttention-RPN和Multi-Relation的超强小目标检测
重新思考通往弱监督目标的定位
论文名称:Rethinkingthe Route Towards Weakly SupervisedObject Localization
作者:Chen-Lin Zhang
发表时间:2020/3/3
论文链接:https://paper.yanxishe.com/review/13532?from=leiphonecolumn_paperreview0313
推荐原因
本文为2020CVPR的文章。针对目前弱监督目标定位方法的问题,本论文提出了伪监督目标定位方法(PSOL)来解决当下研究的困境。作者分别从定位和分类两方面来搭建伪监督目标定位的网络,接着在训练集上使用Deep descriptor transformation(DDT)生成伪GT进行训练,整体效果达到SOTA。
该论文主要有三点贡献:
一、提出了伪监督目标定位PSOL算法;
二、通过实验验证,该算法在不同数据集上不需要fine-tuning也能有很好的定位迁移能力。
基于U-Net(R2U-Net)的递归残差卷积神经网络在医学图像分割中的应用
论文名称:Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation
作者:Alom Md Zahangir /Hasan Mahmudul /Yakopcic Chris /Taha Tarek M. /Asari Vijayan K.
发表时间:2018/2/20
论文链接:https://paper.yanxishe.com/review/13551?from=leiphonecolumn_paperreview0313
推荐原因
本文作者提出了一种基于U-Net的递归卷积神经网络(RCNN)和一种基于U-Net模型的递归残差卷积神经网络(RRCNN),分别称为RU-Net和R2U-Net。提出的模型利用了U-Net,残差网络和RCNN。首先,残差单元在训练深度架构时会有所帮助。其次,具有递归残差卷积层的特征对分割任务具有更好的特征表示。第三,它使我们能够设计出具有相同数量网络参数的更好U-Net架构,并具有更好的医学图像分割性能。
UNet++: 一种医学图像分割的嵌套U-Net结构
论文名称:UNet++: A Nested U-Net Architecture for Medical Image Segmentation
作者:Zongwei Zhou / Md Mahfuzur Rahman Siddiquee / Nima Tajbakhsh / Jianming Liang
发表时间:2018/7/18
论文链接:https://paper.yanxishe.com/review/13550?from=leiphonecolumn_paperreview0313
推荐原因
文章是2018年在MICCAI中发表的UNet++,对Unet改进的点主要是skip connection。作者认为skip connection 直接将unet中encoder的浅层特征与decoder的深层特征结合是不妥当的,会产生semantic gap。整篇文章的一个假设就是,当所结合的浅层特征与深层特征是semantically similar时,网络的优化问题就会更简单,因此文章对skip connection的改进就是想bridge/reduce 这个semantic gap。
使用基于双谱的深度卷积神经网络对非线性时间序列进行分类
论文名称:Nonlinear Time Series Classification Using Bispectrum-based Deep Convolutional Neural Networks
作者:Paul A. Parker /Scott H. Holan /Nalini Ravishanker
发表时间:2020/3/4
论文链接:https://paper.yanxishe.com/review/13522?from=leiphonecolumn_paperreview0313
推荐原因
1 核心问题:
在时间序列的分析上,学术界已经拥有丰富的研究基础和历史,由于假设基本过程为线性,绝大多数现有的方法只依赖于时间序列的一阶和二阶属性。然而,非线性数据在现实世界却普遍存在,针对此种情况,本文主要解决了对非线性时间序列分类的问题。
2 创新点:
此前,并没有使用高阶频谱分析(HOSA)对商业和工业的时间序列数据进行统计分类的相关研究。本文主要提出一种将高阶频谱分析(HOSA)和深度神经网络(DCNN)结合起来,对非线性时间序列进行分类的方法。同时,还利用了贝叶斯神经网络,对非线性时间序列数据进行不确定性度量。在实验部分,本文(1)实现了谷歌趋势数据的分类(2)实现了基于用电耗费量对家庭电器的分类。
3 研究意义:
面对非线性时间序列的现有有效分类方法的不足,以及非线性时间序列数据在现实生活中普遍存在的事实,本文提出了一种非线性时间序列分类的方法。此方法(1)有利于不确定度量(2)可以容纳高维数据结构,避免进行高耗费的蒙特卡洛马尔可夫链的计算(3)实现了特征提取的变体,此变体可以通过识别用来确定类别概率的关键频率来进行推理。
hAttention-RPN和Multi-Relation的超强小目标检测
论文名称:Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
作者:Qi Fan∗
发表时间:2019/12/23
论文链接:https://paper.yanxishe.com/review/13530?from=leiphonecolumn_paperreview0313
推荐原因
研究意义:
本文主要研究的是如何对少样本目标进行检测,在此基础上,作者提出了一种包括Attention-RPN、多关系检测器以及对比训练策略的检测算法,为后续研究提供了新的思路。
创新点:
1、提出了新的少样本目标检测算法,创新点包括Attention-RPN、多关系检测器以及对比训练策略。
2、构建了包含1000类的少样本检测数据集FSOD,在FSOD上训练得到的论文模型能够直接迁移到新类别的检测中,不需要fine-tune。
雷锋网雷锋网(公众号:雷锋网)雷锋网
相关文章:
今日 Paper | 神经网络结构搜索;视觉目标;人物识别;视频3D人体姿态估计等
。
原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/137815.html