论文阅读 Rethinking Anticipation Tasks: Uncertainty-aware Anticipation of Sparse Surgical Instrument

最新推荐文章于 2024-08-31 08:01:24 发布
最新推荐文章于 2024-08-31 08:01:24 发布
阅读量197 收藏
点赞数
分类专栏： 深度学习论文阅读 文章标签： 深度学习 计算机视觉 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jennifer_love_frank/article/details/123890505
版权

Rethinking Anticipation Tasks: Uncertainty-aware Anticipation of Sparse Surgical Instrument Usage for Context-aware Assistance

Medical Image Computing and Computer Assisted Intervention，MICCAI 2020

task

手术器械预测

阅读记录

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
贝叶斯深度学习方法见补充知识
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

补充知识 贝叶斯深度学习

在这里插入图片描述在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述
上文中的空白图如下：
在这里插入图片描述

说明

以上内容均为作者本人平时阅读并且汇报使用，内容整理全凭个人理解，如有侵权，请联系我；内容如有错误，欢迎留言交流。转载请注明出处，并附有原文链接，谢谢！

此外，我还喜欢用ipad对论文写写画画（个人英文阅读的水平有限），做一些断句、重点勾画等，有兴趣大家可以按需下载：链接
在这里插入图片描述

更多论文分享，请参考： 深度学习相关阅读论文汇总（持续更新）

WXiujie123456
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文阅读 Towards Unified Surgical Skill Assessment
Jennifer_Love_Frank的博客
03-31 262
阅读论文分享
深度学习相关阅读论文汇总（持续更新）
Jennifer_Love_Frank的博客
03-31 4659
本文是对我深度学习过程中一些论文的记录，大部分是基于个人对论文的理解，仅供参考
CVPR 2021 论文大盘点-医学影像篇
OpenCV中文网
09-18 5583
关注公众号，发现CV技术之美本文总结医学影像相关论文，包含医学图像分割、医学图像合成、X射线检测等。共计 22 篇。大家可以在：https://openaccess.thecvf.com/...
（十九：2020.11.05）MICCAI 2020 追踪之论文纲要（译）＜中＞
Jojo论文基地
11-06 3960
讲在前面 此文章包含第三和第四篇博客。 论文目录 PART III 《Computer Aided Intervention, Ultrasound and Image Registration 计算机辅助干预，超声和图像配准》 计算机辅助干预 概要 1.Reconstructing Sinus Anatomy from Endoscopic Video – Towards a Radiation-Free Approach for Quantitative Longitudinal Ass
【论文阅读】SeAFusion：Image fusion in the loop of high-level vision tasks: A semantic-aware real-time
Prettybritany的博客
06-10 1209
源图像经过融合网络生成融合图像，而融合网络图像在经过一个分割网络得到分割结果。分割结果与labels构造语义损失，融合图像与源图像之间构造内容损失，其中语义损失只用于约束分割网络，而内容损失与语义损失共同约束融合网络的优化。这样语义损失能够将高级视觉任务（分割）所需的语义信息反传回融合网络从而促使融合网络能够有效地保留源图像中的语义信息。
【论文理解】Uncertainty-Aware Few-Shot Image Classification
lijianyi0219的博客
10-14 3052
内容概览前言一、核心思想二、论文算法1.引入库2.读入数据三、实验结果总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、核心思想 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、论文算法 1.引入库 代码如下（示例）： import numpy as np import pandas
【论文阅读】PSFusion：Rethinking the necessity of image fusion in high-level vision tasks
Prettybritany的博客
06-10 1074
场景恢复分支旨在重建红外图像̂Iir和可见光图像̂Ivi，以及合成融合图像If；稀疏语义感知分支负责预测边界分割结果Ibd、语义分割结果Ise和二值分割结果Ibi。为了在语义感知分支和场景恢复分支之间轻松注入语义特征，我们期望共享这两个分支之间的特征提取网络。然而，场景恢复分支需要保持高分辨率特征以保留细节，而高级视觉任务需要降采样来提取足够的语义特征并捕捉整体结构。这两个要求之间的矛盾阻碍了我们使用现有的骨干作为特征提取网络。
论文笔记：Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning
weixin_44845956的博客
11-17 845
Background 小样本学习基本基于absolute信息，比如onehot编码，但是这种信息很难反映一张图片的全部信息。所以本文通过将absolute信息与relative信息相结合，通过人工给图片标一些属性（比如绿色，红色，耳朵等）增加图片的信息，从而可以将图片的标签“具体化” 数据处理 除了图片本身的标签，论文中表示需要人工给图片定义一些属性，并给出标签 框架 框架主要分为三个部分 一、特征提取   特征提取器f 二、 absolute learning   分为两部分，第一部分与普通图片分类无异
[CVPR19]MnasNet: Platform-Aware Neural Architecture Search for Mobile
gdtop的个人笔记
06-09 3803
本篇发表于CVPR2019，作者为Google的Quoc V Le。本篇使用的额scale方法应该是ICML2019发表EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks的姊妹篇。不仅如此，本篇提出的架构也是在移动端十分硬核的应用。 Abstract 为移动设备设计卷积神经网络(CNN)是一个挑战，因...
【可见光遥感+prompt一】Rethinking Remote Sensing Pretrained Model:Instance-Aware Visual Prompting for Remot
m0_60231311的博客
01-13 953
首先使用Meta-Net在每个transformer编码器层生成特定于示例的提示令牌。最后，类令牌、输入上下文令牌和提示令牌作为输入连接到冻结的transformer层。在下游分类任务的训练中，只更mate网和线性头部的参数，而整个transformer编码器保持冻结状态。图2显示了所提出模型的具体架构。给定一个预训练的ViT模型，在嵌入层后的输入空间中引入M个维数为d的连续嵌入，即提示符。如上所述，提出的IVP算法试图学习实例感知的视觉提示，以微调预训练的RS模型，以更好地进行下游任务迁移。
深度学习论文: YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection
mingo_敏
08-17 649
基于一系列对不同Kernel-Size卷积如何影响不同尺度上目标检测性能的研究，提出一个名为YOLO-MS的网络架构。作者在MS COCO数据集上从头开始训练YOLO-MS，而不依赖于任何其他大规模数据集，如ImageNet，或预训练权重。YOLO-MS在使用相同数量的参数和FLOPs的情况下，优于最近的最先进的实时目标检测器，包括YOLO-v7和RTMDet。从局部视角来看，设计的一个具有简单而有效的分层特征融合策略的MS-Block。
Rethinking Spatio temporal Feature Learning: Speed-Accuracy Trade-offs in Video Classification
彦军的博客
07-06 1688
Rethinking Spatiotemporal Feature Learning: Speed-Accuracy Trade-offs in Video Classification 来源： ECCV 2018 文章链接：https://arxiv.org/abs/1712.04851 motivation 深度学习的出现带给了图像处理的各个领域巨大的提升，但是在视频方面却没有如此大的加速度。作...
论文阅读 CVPR2022《Rethinking Semantic Segmentation：A Prototype View》
weixin_41469023的博客
08-13 2789
流行的语义分割解决方案，尽管它们有不同的网络设计（基于 FCN 或基于注意力）和掩码解码策略（基于参数 softmax 或基于像素查询），但可以通过将 softmax 权重或查询向量视为可学习类原型来归为一类。鉴于这种原型观点，本研究揭示了这种参数分割方案的几个局限性，并提出了一种基于不可学习原型的非参数替代方案。我们的模型不是以前的方法以完全参数化的方式为每个类学习单个权重/查询向量，而是将每个类表示为一组不可学习的原型，仅依赖于该类中几个训练像素的平均特征。因此，通过检索非参数最近原型来实现密集预测。这
深度学习100问27:什么是截断的BPTT
最新发布
yyq916的博客
08-31 77
截断的 BPTT 呢，先确定一个合适的长度，就好比决定每一小段故事有多长。这种方法在很多地方都大显身手哦，比如自然语言处理里训练语言模型、搞机器翻译的时候，就像一个得力的小助手。想象一下，你有一个超级长的故事要讲，一口气从头讲到尾可太难啦，而且很容易把自己绕晕。这时候呢，截断的 BPTT 就像把这个长故事分成一小段一小段来讲。在循环神经网络训练那些长长的序列数据的时候，如果直接像个“愣头青”一样用传统方法，那计算量会大得吓人，还可能出现梯度消失或者爆炸的情况，就像烟花放一半突然熄火或者炸得不可收拾。
深度学习中的PyTorch Tensor详解
SWZ156的博客
08-27 804
PyTorch 中的 Tensor 是深度学习模型的核心数据结构。通过本文，你应该对张量的创建、属性、基本操作以及如何在深度学习中应用有了更深入的了解。在实践中，你会发现 PyTorch 提供了非常丰富的功能，助力你构建和优化神经网络模型。
【王树森】RNN模型与NLP应用(2/9)：文本处理与词嵌入（个人向笔记）
hxdxiaoming的博客
08-29 667
本次课将使用下列数据集：关于电影评价的数据集。
【深度学习与NLP】——深度卷积神经网络AlexNet
lingxw的博客
08-27 1020
AlexNet 的出现极大地推动了深度学习在计算机视觉领域的发展。它证明了深度神经网络在图像识别等任务上的强大能力，为后续的研究提供了重要的参考和启示。此后，各种深度神经网络架构不断涌现，性能也不断提升。总之，AlexNet 是深度学习发展历程中的一个重要里程碑，它的创新之处和优异性能对计算机视觉领域产生了深远的影响。
Rethinking Video ViTs: Sparse Video Tubes for Joint Image and Video Learning
06-04
《Rethinking Video ViTs: Sparse Video Tubes for Joint Image and Video Learning》是一篇关于视频处理的论文。该论文提出了一种新的视频处理模型，即 Sparse Video Tubes（SVT），旨在实现图像和视频的联合学习。 SVT 的核心思想是将视频分解为一系列稀疏的视频管，每个视频管由少数帧图像组成。这种分解方式可以减少视频处理的计算量，同时也能够保留视频中的重要信息。SVT 使用 Vision Transformer（ViT）来对视频管进行编码，从而实现对图像和视频的联合学习。具体来说，SVT 将图像和视频的特征映射到同一个向量空间中，通过最小化图像和视频之间的距离来实现联合学习。 SVT 模型的优点在于： 1. 可以有效地减少视频处理的计算量，提高处理效率。 2. 通过将图像和视频的特征映射到同一个向量空间中，实现了图像和视频的联合学习，可以更好地利用数据进行训练。 3. 使用 ViT 模型，可以处理任意大小的视频，并且可以处理不同分辨率的图像。 总之，SVT 是一种非常有前景的视频处理模型，可以为联合学习提供一种新的思路和方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值