![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读笔记
文章平均质量分 62
print_lzp
haha
展开
-
Few-shot Learning Using a Small-Sized Dataset of High-Resolution FUNDUS Images for Glaucoma阅读笔记
Few-shot Learning Using a Small-Sized Dataset of High-Resolution FUNDUS Images for Glaucoma Diagnosis阅读笔记 ABSTRACT Few-shot + high resolution 1 INTRODUCTION 在实际应用中,由于深度学习技术对数据的需求,有时会因为过拟合而无法应用,而后者通常是由于数据不足造成的。 小尺寸的高分辨率医学图像数据集 为了克服医学图像的有限性,论文利用了few-shot(少样本原创 2021-11-04 13:01:39 · 233 阅读 · 0 评论 -
mixup:BEYOND EMPIRICAL RISK MINIMIZATION 阅读笔记
简介: 大型深度神经网络是非常强大的,但其损耗巨大的内存以及对对抗样本的敏感性一直不太理想 因而作者提出了一种一个简单地减缓两种问题的方案。研究结果表明,mixup可以改进当前最先进的神经网络架构的泛化能力。mixup还能够减少对错误标签的记忆,增加对抗样本的鲁棒性,并能够稳定对生成对抗网络的训练过程。 mixup 和上一篇像素平均的方法类似,构建了虚拟的训练样本,即构建为训练集中的两个随机样本及其标签的线性插值,mixup有助于有助于消除对错误标签的记忆、对对抗样本的敏感性以及对抗训练的不稳定性。 从训练原创 2021-11-04 12:54:21 · 646 阅读 · 0 评论 -
Data Augmentation by Pairing Samples for Images Classification 阅读笔记
简介: 本文介绍了一个数据增强技术,名为SamplePairing。SamplePairing的实现方式,只需将两张随机选取的图像混合后再送入分类器进行训练即可。这种技术通过避免过拟合,特别是当可用于训练的样本数量有限时,分类精度得到了显著的提高。所以该技术对于数量有限的任务很有价值,故可以参考用于医学影像 方法概述: 本文从训练集中随机选取的两张图像合成一张新的图像,为了合成一张新的图像,采取对两张图像的每个像素进行平均。 具体方法: 训练图像 A 是随机的,从训练集随机抓取图像 B,(A 和 B 都是原创 2021-11-04 12:52:50 · 223 阅读 · 0 评论 -
High-Resolution Breast Cancer Screening with Multi-View Deep Convolutional Neural Networks 阅读笔记
Abstract The differences of medical images and natural images: Specifically, fine details are necessary for detection in medical images, unlike in natural images where coarse structures matter most. 一开始处理医学影像只是单纯的更换了神经网络的输入图片,没有考虑两种图片的差异,医学影像更关注图片的细节,自然图片的原创 2021-11-04 12:51:16 · 163 阅读 · 0 评论