中文期刊 note

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