本栏主要记录个人平常阅读的论文，具体细节不展开。
Paper1
Class-Balanced Loss Based on Effective Number of Samples
摘要：设计了一个类平衡损失，用于解决长尾数据分布问题（即少数类占了大部分数据，而大多数类的代表性不足)。实现比较简单，只需要在现有的分类损失基础上，在每一个类别上乘上一个权重。
C
B
L
o
s
s
(
p
,
y
)
=
1
−
β
1
−
β
n
y
C
E
L
o
s
s
(
p
,
y
)
CBLoss(p,y)=\frac{1-\beta}{1-\beta^{n_y}} CELoss(p,y)
CBLoss(p,y)=1−βny1−βCELoss(p,y)
β
\beta
β是超参数，一般在[0, 1]，
n
y
n_y
ny表示类别
y
y
y的样本数量。可参考博文，作者写的太好了。
Paper2
CANet: Cross-Disease Attention Network for Joint Diabetic Retinopathy and Diabetic Macular Edema Grading
摘要：DR和DME是眼底图片中的两种疾病，而这两种病存在关联性。这篇文章第一次在网络中加入了关联模块，利用了疾病之间的相关性，在一些医疗数据集上取得了sota的结果。
网络结构图
1189
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
