论文阅读_图形图像_U-NET
英文名称: U-Net:Convolutional Networks for Biomedical Image
Segmentation
中文名称: U-Net:用于生物医学图像分割的卷积网络
论文地址: http://link.springer.com/10.1007/978-3-319-24574-4_28
出处:journal: Medical Image Computing and Computer-Assisted
Intervention–MICCAI 2015
时间: 2015
1 读后感
本文主要针对的问题是优化生物医学图像领域的图像识别,之前图像模型往往需要数千张标注图片训练。而医学影像数据往往存在图片大,图片中内容多(比如一张图中可能有很多的不正常细胞),难以做几千张图片的标注,除了正常异常,还常常需要标出具体位置。之前的方法是用滑动窗口将图像切成小块训练,这种方法比较慢图像重叠造成冗余,还要根据具体情况考虑切分方法,才能在上下文和效率之取得平衡。
文中提出的解决方法是:设计了U
型网络结构和训练策略,相对于普通的卷积网络,增加了右侧的上采样卷积,从而恢复图像。
最 ...
蓝思指数
1 蓝思指数
蓝思阅读指数,所谓的 Lexile(蓝思指数),是美国科学基金会 (National
Science Foundation,United States 简称 NSF)
为提高学生的阅读能力,而研究出的一种衡量学生阅读水平和标识书籍难易程度的一套标准。
2 地址
http://lexile.com
3 分级表
Pasted image
20221207185918.png
4 查书的难度
https://hub.lexile.com/find-a-book/book-results
5 计算段落的难度
Analyzer 工具,可以免费测试 250 个单词以内的段落的蓝思值。
https://hub.lexile.com/analyzer
6 问题
英语是拼读语言,大部分单词符合拼读规则。蓝思指数源自美国,对于英语是母语的人,看到拼写基本会读,会读就知道大概意思。而很多单词我们能大概拼出来也不知道是什么意思。
找了几篇难度在 700
左右的文章,看了看觉得难度差异非常大,感觉用这个直接给娃找书……仅供参考吧。
文献工具_Zotero
之前一直用在线的 readpaper
看论文,可是文献一多,就觉得分类功能比较弱,也不太好找,另外没办法做整篇笔记,也不能和笔记工具连起来,有点难受。
昨天同事推荐了 Zotero 和 Endnote,看了几篇文章都说 Zotero 比 Endnote
好用,另外,它还能导出 Obsidian Note,在 O 和 Z 之间互相跳转,以及和
Chrome 结合。
1 简介
Zotero
用于收集、组织、引用、分享各类资料,支持网页版,注册账号之后在多端自动同步以及使用浏览器插件。
2 用后感
安上后发现除了论文还支持书籍文献等等功能。感觉 Zotero
覆盖了之前使用软件的所有功能,软件版本也更稳定,翻译也很流畅。
3 安装 Linux 版本
3.1 下载
https://www.zotero.org/
3.2 安装
12345678910tar xvjf Zotero-6.0.19_linux-x86_64.tar.bz2mv Zotero_linux-x86_64/ /opt/cd /opt/Zotero_linux-x86_64/chmod 777 zoterochmod 777 ...
论文阅读_深度强化学习综述
journal: IEEE Conference on Industrial Electronics and Applications
(ICIEA)
name_ch: 深度强化学习:简要概述
name_en: A Brief Survey of Deep Reinforcement Learning
date_publish: 2017
读后感
本篇介绍包含:应用场景;基于策略的和基于价值的不同方法;具体算法包含:DQN,TRPO,AC。
这个文章,感觉中间那部分比较乱,结构比较乱,内容也只是皮毛,定义也没讲清楚,也不够深入,最后一部分还行。
1. 介绍
强化学习主要针对:自主的智能体通过与环境交互学习最优行为,通过试错随着时间的推移而改善模型。
之前方法伸缩性差,且主要解释低维问题,深度学习算法近年的发展,借助其函数逼近和表示学习(高维状态和动作空间的降维&分层表示)的能力,能更好解决上述问题。
典型的应用场景,如从视频游戏的帧像素学习玩游戏,又如混合有监督学习和强化学习的
AlphaGO(结合了监督,强化学习和传统的启发式搜索算法),还有机器人等等。
2. 奖利驱动行为
...
论文阅读_医学异常检测综述
英文题目:Deep Learning for Medical Anomaly Detection - A Survey
中文题目:深度学习的医疗异常检测综述
论文地址:https://arxiv.org/pdf/2012.02364.pdf
领域:深度学习,异常检测
发表时间:2021.04
作者:Tharindu Fernando,澳大利亚昆士兰科技大学
出处:ACM Computing Surveys
被引量:1024(谷歌学术)
代码和数据:
阅读时间:22.11.09
1 读后感
主要讨论在医疗数据中使用深度学习方法,以处理影像数据,时间序列为主,同时讨论了医学数据一些特有的属性。
2 介绍
2.1 什么是异常
异常检测的主要任务是识别不符合总体数据分布的数据样本。在医疗领域,除了建模以外,对模型的解释也至关重要。在实际应用中,对异常的定义也比较复杂,比如行为的不一致性;区分噪声与异常;还需要考虑上下文对异常的影响。
2.2 医疗异常的不同
模型在医疗领域的应用包括两部分:诊断(识别当前状态)和预测(未来的状态),这两部分都可能发生异常。
Pasted image
2022 ...
论文阅读_深度学习异常检测
英文题目:Deep Learning for Anomaly Detection: A Review
中文题目:基于深度学习的异常检测综述
论文地址:https://arxiv.org/pdf/2007.02500.pdf
领域:异常检测,深度学习
发表时间:2020.01
作者:Guansong Pang,阿德莱德大学
出处:ACM Comput. Surv.
被引量:697(谷歌学术)
代码和数据:见论文附录 A
阅读时间:2022.11.05
全文翻译:https://blog.csdn.net/pingguolou/article/details/117421638
1 读后感
本篇解读的论文发表于 2020
年,主要介绍基于深度学习的异常检测技术,可作为 2009
年发表的那篇高引的传统异常检测综述的互补。前三章主要是相关问题和挑战(1-3
章)。从第四章开始总结了近年来深度异常检测的具体方法,共 3 大分类(4-6
章),11
个小分类。分别对关键直觉,目标函数,基本假设,优势劣势,及应对挑战方法进行讨论。最后讨论了未来的机会,还提供了大量文献列表和训练数据集,实用性强。本 ...
集成工具_Jenkins
Jenkins 是一个开源软件项目,是基于 Java
开发的一种持续集成工具,用于软件项目的持续集成。简单地说,你可以通过
Jenkins 服务,把 github 上的更新自动安装部署到指定位置。
1 安装
最简单,又不影响系统的方式,还是以 docker 方式安装:
1$ docker run -p 8080:8080 -p 50000:50000 -v jenkins_home:/var/jenkins_home jenkins/jenkins:lts-jdk11
此时 jenkins 的镜像被自动下载,并启动。
2 配置
用浏览器打开 8080 端口。
然后按界面提示从 docker 中的 passwd 文件中找到密码,并登录。
如果是第一次使用,选“按推荐安装插件”,等进度条运行结束。
按提示设置管理员用户名和密码。
设置完成后即可开始使用。
3 开始使用
不同版本的界面大同小异:
创建任务 (也叫 " 新建 Item" 或 "New 任务 ")
先尝试一下最常用的流水线任务 (也叫 "Pipeline")
点 Github 项目,然后输入 github 项目地址,SCM ...
论文阅读_异常检测综述
英文题目:Anomaly Detection: A Survey
中文题目:异常检测综述
论文地址:https://readpaper.com/paper/2122646361
领域:异常检测
发表时间:2009
作者:VARUN CHANDOLA 等,明尼苏达大学
出处:ACM Computing Surveys
被引量:11797(谷歌学术)
1 读后感
一篇典型的综述文章,快速了解异常检测的定义,用途,方法……发表时间比较早,是机器学习异常检测方法的总结。正文
50 多页,比较长。
2 介绍
文章根据方法对异常检测分类,对于每个类别,提供一个基本的异常检测技术,然后展示该类别中新技术与基本技术的差异,此类技术的优缺点及计算复杂度。
异常一般包含:异常 (anomalies)、离群点 (outliers)、不一致的观察结果
(discordant observations)、特例 (exceptions)、畸变 (aberrations)、意外
(surprises)、特性 (peculiarity) 或污染
(contaminants)。其中又以异常和离群点最为常见。
异常检测的 ...
论文阅读_模型剪枝_彩票假设
英文题目:The Lottery Tickets Hypothesis for Supervised and
Self-supervised Pre-training in Computer Vision Models
中文题目:用基于彩票假设方法裁剪视觉模型
论文地址:https://arxiv.org/pdf/2012.06908.pdf
领域:机器视觉,深度学习,模型剪枝
发表时间:2021
作者:Tianlong Chen 等,德克萨斯大学
出处:CVPR
被引量:26
代码和数据:https: //github.com/VITA-Group/CV_LTH_Pre-training
阅读时间:22.10.06
读后感
文章介绍了一种针对图像处理的剪枝算法,不同与以往先训练后剪枝的方法,它的目标是直接训练出一个稀疏的子网络,并使子网络性能与稠密网络性能相当。
介绍
预训练模型提升了计算机视觉的效果,目前主流的方法是有监督学习和半监督学习。作者提出:可否在不影响下游任务性能的同时,降低预训练模型的复杂度?
文中提出基于彩票假设的方法(lottery ticket hypothesi ...
常用的线性回归模型
常用线性回归模型
多元线性回归
多元线性回归是最常用的预测数值型目标的建模方法,也常用于数据分析中的多因素分析。
\[
\min_w||Xw-y||_2^2
\]
后面几种回归都是在它基础上稍做修改。当特征数多于实例数,某些数据有问题,或者某些特征相关性高时,线性回归得到的参数常常数值很大,常用
Lasso 回归和 Ridge 回归解决这一问题,防止模型过拟合。
lasso 回归(套索回归)
lasso
回归倾向于减少有效参数,使模型更加简单。具体方法是修改损失函数,将 L1
范数(各个元素绝对值之和)加入惩罚项,它可生成稀疏的模型参数。常用于特征存在共线性的情况,实现模型特征选择。
\[
\min_w\frac{1}{2n_{samples}}||Xw-y||_2^2+\alpha||w||_1
\] ### Ridge 回归(岭回归)
和 Lasso 回归类似,将 L2
范数(向量所有元素的平方和的开平方)加入惩罚项。常用于数据个数小于数据维度的情况,它限制参数大小,使之逼近
0。
\[
\min_w||Xw-y||_2^2+\alpha||w||_2^2
\] ### Huber ...