2401_83173765的博客

原创 花了一个周末的时间，我做了一个医学图像论文的开源项目

深知学习的不易，看到很多刚步入大学或者研究生阶段的学生，还在为找论文，找方向，找数据四处奔波，很容易陷入信息差的陷阱中，被人割韭菜。本人也是做医学图像相关的，众人拾柴火焰高，希望志同道合且学有余力的伙伴们加入知识开源的队伍中，传播知识和经验。

原创 LLM技术学习路线图，强推收藏！

原创 顶会系列（七）：NIPS2016-2022论文总接收数据分析

NIPS的全称曾为"Conference on Neural Information Processing Systems"，后来更名为"Conference on Neural Information Processing Systems"。NIPS的目标是将机器学习、神经科学和人工智能领域的研究人员聚集在一起，促进跨学科的交流和合作。NIPS采用了双盲评审（double-blind review）的方式，评审专家对论文进行匿名评审，确保评审过程的公正性和匿名性。（可获取详细论文数据）

原创 顶会系列（六）：IJCAI2017-2023论文总接收数据分析

IJCAI（International Joint Conference on Artificial Intelligence）是国际人工智能联合会议的缩写，是人工智能领域的重要学术会议之一。IJCAI是一个跨学科的会议，涵盖了人工智能领域的各个方向和领域，包括机器学习、知识表示与推理、自然语言处理、计算机视觉、机器人技术、智能代理、数据挖掘等。2017-2023 IJCAI顶会论文接收趋势图。IJCAI2017-2023年5089篇论文。（可获取详细论文数据）

原创 顶会系列（五）：ICML2017-2023论文总接收数据分析

ICML（International Conference on Machine Learning）是国际机器学习大会的缩写，是机器学习领域的顶级学术会议之一。该会议由国际机器学习学会（IMLS）主办，每年举办一次。2017-2023 ICML顶会论文接收趋势图。ICML2017-2023年7144篇论文。（可获取详细论文数据）

原创 顶会系列（四）：ICLR2018-2022论文总接收数据分析

ICLR的宗旨是填补表征学习领域的交流鸿沟，并提供一个专业化的交流平台。ICLR的独特之处在于其采用了开放评审制度，即Open Review，所有提交的论文都公开姓名等信息，并接受所有同行的评价和提问。这种公开评审制度吸引了学界的关注，使ICLR成为公开透明的先驱，并得到了广泛支持和影响。OpenReview.net是一个由Andrew McCAllum创办的公开评审系统，秉承公开同行评审、公开发表、公开来源、公开讨论、公开引导、公开推荐、公开API和开源等原则，并得到了多个机构的支持。

原创 顶会系列（三）：ECCV2012-2022论文总接收数据分析

规模：ECCV是一个规模庞大的会议，吸引了来自全球的学术界研究人员、工业界专家以及学生等参与。欧洲计算机视觉大会（European Conference on Computer Vision，ECCV）是计算机视觉领域的重要国际学术会议之一。领域特点：ECCV涵盖了广泛的计算机视觉研究领域，包括但不限于图像处理、目标检测与识别、图像分割、三维重建、人脸识别、行为分析、深度学习、计算摄影学、虚拟现实等。影响力：ECCV作为计算机视觉领域的三大顶级会议之一，具有很高的学术影响力和知名度。（可获取详细论文数据）

原创 顶会系列（二）：ICCV2013-2023论文总接收数据分析

CCV涵盖了广泛的计算机视觉研究领域，包括但不限于图像处理、目标检测与识别、图像分割、三维重建、人脸识别、行为分析、深度学习、计算摄影学、虚拟现实等。ICCV的论文经过严格的同行评审，只有通过评审的高质量和创新性论文才能被录用。ICCV由国际计算机视觉学会（International Association for Pattern Recognition，简称IAPR）和IEEE计算机学会（IEEE Computer Society）联合组织举办。2013-2023ICCV顶会论文接收趋势。

原创 顶会系列（一）：CVPR2013-2023十年论文数据分析

2013-2023年12860篇论文词云热点分析。2013-2023十年论文接收趋势。

原创 CVPR2024医学图像方向持续更新

序号 题目 摘要（中文简要） 链接 1 MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning 该论文的主要贡献是提出了MLIP框架，利用医学报告作为辅助信号，进行无监督预训练，改善医学视觉表示学习的泛化能力。MLIP通过图像-文本对比学习，在不同粒度上整合语言信息到视觉领域。模型包括全局对比学习、局部对齐对

原创 chatgpt新技术大全

致敬开源！​。

原创 大语言模型结构、参数规模、训练数据、是否开源简图

https://arxiv.org/pdf/2402.06196.pdf

原创 近年来LLM量化方法总结简图

红色高亮的方法表示它们属于参数高效微调的量化方法（Q-PEFT：Quantization for Parameter-Efficient Fine-Tuning），绿色高亮的方法表示它们属于与量化感知训练（QAT：Quantization-Aware Training）相关的方法，其他方法则属于基于PTQ（Post-Training Quantization）的方法。

原创 LLM数据集发展简图

橙色代表预训练语料库，黄色代表指导微调数据集，绿色代表偏好数据集，粉色代表评估数据集。

原创 大语言模型发展简图

基于Transformer的模型以非灰色展示：蓝色支线表示仅解码器模型，粉色支线表示仅编码器模型，绿色支线表示编码器-解码器模型。模型在时间轴上的垂直位置代表其发布日期。开源模型用实心方块表示，闭源模型用空心方块表示。右下角的堆叠条形图显示了来自不同公司和机构的模型数量。