论文解读
文章平均质量分 89
One_1111
愿所求皆如意,所行化坦途。
展开
-
CVPR2021论文解读--图像去噪:Pseudo 3D Auto-Correlation Network for Real Image Denoising
论文链接:https://openaccess.thecvf.com/content/CVPR2021/papers/Hu_Pseudo_3D_Auto-Correlation_Network_for_Real_Image_Denoising_CVPR_2021_paper.pdf摘要:图像中自相关的提取在深度学习网络中显示出巨大的潜力,例如通道域的自注意力机制和空间域的自相似机制。然而,上述机制的实现大多需要复杂的模块堆叠和大量的卷积计算,这不可避免地增加了模型复杂度和内存成本。因此,我们提出了一原创 2021-08-19 10:54:27 · 5378 阅读 · 0 评论 -
论文精读《Multi-scale Residual Network for Image Super-Resolution》
目前更多致力于用更深的网络去提升性能,然而盲目追求网络深度,并不能有效改善网络,反而,随着深度加深网络更难训练而且需要很多trick、多尺度残差网络,从网络广度上进一步探索图像特征,多size卷积核自适应检测不同尺度特征,同时,多尺度直接有一定的交互和融合,得到更有效的多层次信息,结构—MSRB模块输出作为各尺度的层次信息,首先为一阶注意力模块,将各个尺度的提取特征进行重映射,之后进行多尺度特征通道的concat操作,通过二次注意力网络自适应选择各个尺度通道最有用的信息并进行有效结合,通过全局...原创 2020-05-28 21:07:12 · 874 阅读 · 0 评论 -
论文阅读《A Survey on Deeping Learning In Medical Image Analysis》
整理一些翻译和自己的理解P9Kawahara将CNN类架构应用于源自MRI扩散 - 张量成像(DTI)的脑连接图。 为此,他们开发了几个新层,这些层构成了其网络的基础,即所谓的边到边,边到节点和节点到图的层。 他们使用他们的网络预测大脑发育,并表明他们在评估认知和运动评分方面优于现有方法。对象或病变分类:Gao等人提出使用CNN和RNN的组合来对裂隙灯图像中的核白内障进行分级,其中CNN滤波器是预训练的。无论图像大小如何,该组合都允许处理所有上下文信息。结合3D信息通常也是医学成像中对象分类原创 2020-05-28 21:02:06 · 1374 阅读 · 0 评论 -
Improved Disease Classification in Chest X-Rays with Transferred Features from Report Generation论文解读
Improved Disease Classification in Chest X-Rays with Transferred Features from Report Generation从文本生成器的转移特征提升胸部X光的疾病分类表现首先在小型胸部X射线数据集(IU)上训练报告生成网络,然后将学习的视觉特征传输到在大型数据集(ChestX-ray14)上训练分类网络,并使用新颖...原创 2019-09-22 23:00:46 · 458 阅读 · 0 评论