论文笔记
论文翻译,总结
人工智能(篮球方向)
这个作者很懒,什么都没留下…
展开
-
小样本学习-pretraing+fine tuning
一.介绍:小样本学习,属于元学习的一种。目的是让机器具有自我判别的先验知识。 比如说,我们想要训练对3类图片分别是 猪,牛,羊的模型,传统的监督学习是拿这3类的大量数据进行训练,然后得到一个模型。 而小样本学习是想要通过其他大量的图片样本(不包括猪,牛,羊)训练出一个模型(比如相似度函数),这个模型具有先验知识(判别两类相同或者不相同的能力),所以使用这个模型,可以用来分类猪,牛,羊这三类,因为此时我们的模型已经具有分类两种类别异同的先验知识了...原创 2020-11-09 19:55:28 · 2408 阅读 · 4 评论 -
few-shot learning总结
1:首先用大规模样本来预训练一个模型,这个模型是用来提取特征的,将样本映射为特征向量 fine-tuning:(优化)2:做预测,给一个query和一个support set,预测query属于support set的哪一类。首先拿预训练模型将query和support set的样本提取特征转化为特征向量,把每个support set中同一类的特征向量做平均得到向量u1,u2.。。。uk(k类),比较un(n=1,2,3。。。k)和query的特征向量计算cos相似度,根据相似度做分...原创 2020-09-22 20:32:35 · 281 阅读 · 0 评论 -
pretraining+fine tuning
few shotlearning简单实现方法:在大规模数据做预训练模型,然后在小规模suport set上做fine tuning。方法简单准确率高。基础数学知识:cos函数可以判断两个向量的相似度:长度=1时长度=2时softmax:few-shot leaning 做法:1先用大数据集训练一个神经网络,来从图片提取特征(预训练模型用来提取特征,图片的模型是否使用?其他EEG数据是否可以作为大数据来作为预训练模型的数据?若用EEG数据怎么判定预训练模型进行数据.原创 2020-09-22 16:19:46 · 839 阅读 · 0 评论 -
Simese Network-笔记
Simese Network:连体网络Simese Network可以作为few shot-learning 的相似度函数, 需要大量的数据来训练一个simese Network 训练结束后,可以用simese Network解决few shot learning 问题两种训练Simese Network的两种方法: 第一种方法: 1数据整理:将数据集分为正样本和负样本,打好标签。例子:每次从训练集中随机抽样构建正负样本:2.特征提取:要训练的神经网络..原创 2020-09-20 22:47:53 · 402 阅读 · 0 评论 -
meta-learning笔记-few shot learning的概念
元学习:学习怎么学习元学习用来解决什么?小样本学习问题,小样本无法训练神经网络。图示是传统的深度学习网络在对数据集中没出现过的松鼠进行判断时,会判断不出的例子:few-shot learning : 是元学习的一种,可以认为是元学习监督学习跟元学习的区别:监督学习:用训练集学习模型,模型学习后可以做预测。要预测的样本有包含在训练集的类别中 few-shot learning:所要预测的类别没有在训练集中出现过。通过对比suport set和预测样本的相似...原创 2020-09-20 22:11:47 · 510 阅读 · 0 评论 -
笔记:TheTemple University Hospital EEG Corpus: ElectrodeLocationand Channel Labels
摘要:本报告的目的是向TUH EEG语料库的用户描述从数据文件(例如EDF文件)中正确检索EEG信号。介绍:不能保证包含EEG信号的信道在文件中出现的顺序相同。许多初级软件包所犯的一个常见错误是,它们将数据读入矩阵,并假定信道的顺序始终相同。包含标签的EDF文件的关键部分如图1所示。可以看出,每个通道都有标签,每个通道必须通过其标签和/或在该列表中的位置来访问,而不是通过其在文件中的绝对位置进行访问。例如,不存在标记为“EEG FP1-REF”的通道始终是第一个通道的约束。这个通道可以出现在TU原创 2020-08-18 22:38:58 · 1559 阅读 · 0 评论 -
笔记-Deep Architectures for Automated Seizure Detection in Scalp EEGs
摘要:使用机器学习应用在自动通过脑电图检测癫痫疾病是一个有挑战性的问题,因为多通道信号包含有用的信号(比如说癫痫)很少,其中还有许多干扰信号,我们称为伪迹信号(如眼动信号,咀嚼信号等),会干扰检测结果。目前的系统误报率高得让人难以接受。以前由于缺乏数据,深度学习算法无法有效地应用。但是,现在因为有TUH EEG Seizure Corpus这个数据集的公布,我们希望用深度学习算法应用到癫痫的自动检测上。在本文中,作者使用这个数据库来建立CNN和LSTM在内的多种混合网络模型。并且提出了一个新的循环卷原创 2020-08-13 16:41:04 · 336 阅读 · 1 评论 -
笔记2(基础实验介绍)-THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation(论文)
基础实验: 想对这些数据进行研究的时候,很重要的一点就是要和神经科医生反复讨论脑电图定义的事件。也就是说要深入理解EEG是如何被手动解释的,并将该过程转换为算法描述。经过多次讨论,我们将重点放在六路分类上。(1) 棘波和/或尖波(SPSW):癫痫患者典型的癫痫样瞬变。(2) 周期性偏侧性癫痫样放电(PLED):脑电图异常,由重复性的棘波或尖波放电组成,在一个半球呈局灶性或偏侧性,并以几乎固定的时间间隔复发。(3) 广义周期性癫癎样放电(GPED):周期性短间隔弥漫性放电、周期...原创 2020-08-09 15:10:29 · 960 阅读 · 0 评论 -
笔记1(数据集介绍)-THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation(论文)
摘要: 一 、论文介绍了第一个脑电图(EEG)语料库,这个语料库由25000多个脑电图组成,还有神经科医生对测试的解释、患者的简要病史以及患者的人口统计学信息,如性别和年龄等信息。这是有史以来第一次有拥有足够的数据量来支持机器学习/深度学习的算法。。 二、作者还介绍了他做的一个基本实验,使用原始的3726个会话子集来预测脑电图(EEG)的一些基本属性。脑电图介绍: 脑电图(EEG),它是用来记录脑部活动的脑部信号的。脑电图在医学上非常重要的一个应...原创 2020-08-06 18:25:18 · 2646 阅读 · 0 评论 -
笔记3(总结)-THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation(论文)
总结: 本文介绍了TUH EEG Corpus这个数据集,它由14000多名患者的25000多个EEG会话组成。包括丰富的元数据库、患者历史和医生的解释。它是大规模机器学习实验的理想选择。预计它将对自动解释eeg的临床工具的发展产生重大影响。 初步试验表明在3762个实验语料库上,使用无监督和部分监督的学习技术可以直接从数据中预测一些注释。比如基于HMM的系统能够成功地检测SPSW、GPED和PLED事件。检测率为76%,虚警率为12%。背景和伪影建模效果...原创 2020-08-09 15:20:06 · 725 阅读 · 1 评论