paper note
-
摘要:研究背景 - 所作研究的outline描述 - 创新点or亮点
-
关键词:还是2+2的形式
-
引言
研究的时代背景 + 研究的难点/当前已有研究的局限/挑战/待攻克点的概述 + 自己的研究工作做了什么 + 自己的研究工作取得了怎样的效果
-
相关研究 (related work)
【note:包含了很多的引用在这里,这样论文显得有广度】前人的一些研究,这些研究有什么样的特点,他们取得了什么成果,又有什么局限性。自己的研究与前人的研究相比,有什么样的改进或创新
-
研究主体部分
- 基础模型的简单介绍,如何应用到当前解决的问题/场景上
- 研究的核心(详细设计、重点问题的解决方案、数据处理方案与流程、创新的核心、架构图等)
-
实验与分析
- 如何采集数据,采集(or划分)数据集的依据或方案,异常(特殊)数据处理,最终数据集统计(分布图)
- 实验评价指标:使用什么样的数据指标来表示实验的好坏,如ML中的精度、召回率、F1
- 实验环境/实验参数:如有,简要讲一下
- 与基准实验方案的对比分析:跑实验,分析实验结果,并与已有方案比较 (如有可能,从多个角度分析)
-
结语
概述paper所作的工作大纲,概括paper的创新点,对以后的学术work有何贡献,以及未来的优化点(future work)
-
参考文献
paper 学习笔记
基于深度学习的肾小球病理图像识别与分类
原文见知网:点此访问
这篇文章新鲜出炉,4.30刚上知网的,最大的亮点就是数据处理方法上的精雕细琢,工作的大致的脉络如下:
其中:
- RGNet初步判断肾小球可能出现的位置
- FasterRCNN用于进一步检测肾小球出现的位置
- NMS-Lite用非极大值抑制合并上一步FasterRCNN圈出来的区域
- 最后就是图像分类
可以看到图像数据处理占了整个流程的很大一部分,毕竟数据决定了分类算法的上限!下面还是作者制作图像数据集的流程,在数据处理方面用心了:
工作的创新点在哪呢?
- 用较小的数据量取得了可比的效果
- 涉及肾小球细分类这一研究很少涉及到的工作
- 讲了一下平均准确率 (90%),平均召回率,F值等