深度學習：論文self-trainsfer learning for weakly supervised lesion localization
self-training learning: 自我訓練學習
weakly supervised ：弱監督學習
主要關注三種弱監督型別：
- 第一種是不完全監督，即只有訓練資料集的一個（通常很小的）子集有標籤，其它資料則沒有標籤。
- 第二種是不確切監督，即只有粗粒度的標籤。又以影象分類任務為例。我們希望圖片中的每個物體都被標註；然而我們只有圖片級的標籤而沒有物體級的標籤。
- 第三種是不準確監督，即給定的標籤並不總是真值。出現這種情況的原因有，標註者粗心或疲倦，或者一些影象本身就難以分類。
已知資料和其一一對應的弱標籤，訓練一個智慧演算法，將輸入資料對映到一組更強的標籤的過程
相關推薦
深度學習：論文self-trainsfer learning for weakly supervised lesion localization
self-training learning: 自我訓練學習 weakly supervised ：弱監督學習 主要關注三種弱監督型別： 第一種是不完全監督，即只有訓練資料集的一個（通常很小的）子集有標籤，其它資料則沒有標籤。 第二種是不確切監督，即只有粗粒度的標籤。又以影象
[paper reading] C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection CVPR2019
ppi ges cores sets spatial 完整 with rop ima MIL陷入局部最優，檢測到局部，無法完整的檢測到物體。將instance劃分為空間相關和類別相關的子集。在這些子集中定義一系列平滑的損失近似代替原損失函數，優化這些平滑損失。 C-MIL
Joint Deep Learning For Pedestrian Detection（論文筆記-深度學習：行人檢測）
一、摘要： 行人檢測主要分為四部分：特徵提取、形變處理、遮擋處理和分類。現存方法都是四個部分獨立進行，本文聯合深度學習將四個部分結合在一起，最大化其能力。 二、引言
深度學習：乳腺論文Deep Multi-instance Networks with Sparse Label Assignment for Whole Mammogram
參考論文解析：https://blog.csdn.net/Coralccccc/article/details/73956702 論文翻譯：https://blog.csdn.net/u014264373/article/details/79581655 標題：Deep Multi-inst
論文筆記之：Collaborative Deep Reinforcement Learning for Joint Object Search
region format es2017 join sid col str bottom respond Collaborative Deep Reinforcement Learning for Joint Object Search CVPR 2017 Motiva
深度學習：zero-shot-learning(四)_DAEZSL_2017
參考： https://www.leiphone.com/news/201810/STIq4kDL6mbIKUmH.html 論文地址：https://arxiv.org/pdf/1711.06167.pdf 問題：對映域遷移 (projection domain sh
【深度學習NLP論文筆記】《Adversarial Example For Natural Language Classification Problems》
一、介紹 圖一：三個在文字分類任務中使用對抗樣本的例子。分別是垃圾郵件分類、情感分析、虛假新聞檢測。全是依靠同義詞替換實現的。 二、背景 分類問題的目標是從輸入和標籤中學習一種對映。其中標籤可能來自K個類，如。 分類器f可能是個深度神經網路或者線性模型，它會為輸入x
深度學習：乳腺論文 end2end patch->whole image
論文：end to end training for whole image breast cancer screening using an all convolutional design 資料集：CBIS-DDSM （CC+MLO）*(right +left) one pers
機器學習與深度學習系列連載： 第二部分 深度學習（七）深度學習技巧4（Deep learning tips- Dropout）
深度學習技巧4（ Dropout） Dropout 在2012年imagenet 比賽中大放異彩，是當時CNN模型奪冠的功勳環節之一。 那什麼是Dropout 我們先直觀的理解： 練武功的時候，訓練的時候腳上綁上重物 等到練成下山的時候： 我們從幾個方面來解
翻譯：開始閱讀深度學習研究論文：為什麼和如何做
Getting started with reading Deep Learning Research papers: The Why and the How 當你讀完那本書或者完成了關於深度學習的線上課程後，你如何繼續學習呢?你如何變得“自給自足”，這樣你就不需要依靠別人來打破這個領
從特徵描述子到深度學習：計算機視覺的20年曆程 From feature descriptors to deep learning: 20 years of computer vision
We all know that deep convolutional neural networks have produced some stellar results on object detection and recognition benchmarks in the past two year
【深度學習：目標檢測】RCNN學習筆記(1):Rich feature hierarchies for accurate object detection and semantic segmentat
轉載：http://blog.csdn.net/u011534057/article/details/51218218 rcnn主要作用就是用於物體檢測，就是首先通過selective search 選擇2000個候選區域，這些區域中有我們需要的所對應的物體的bound
深度強化學習：入門(Deep Reinforcement Learning: Scratching the surface)
本部落格是對學習李巨集毅教授在youtube上傳的課程視訊《Deep Reinforcement Learning: Scratching the surface》所做的筆記，供大家學習參考。 熱度起源 15年2月：Google在nature
深度學習：學習率learning rate 的設定規律
Introduction 學習率 (learning rate)，控制 模型的 學習進度 ： 學習率大小 學習率 大 學習率 小 學習速度 快 慢 使用時間點 剛開始訓練時 一定輪數過後 副作用 1.易損失值爆炸
機器學習與深度學習系列連載： 第二部分 深度學習（六）深度學習技巧3（Deep learning tips- Early stopping and Regularization）
深度學習技巧3（ Early stopping and Regularization） 本節我們一起探討 Early stopping and Regularization，這兩個技巧不是深度學習特有的方法，是機器學習通用的方法。 1. Early stopp
Coursera 深度學習 吳恩達 deep learning.ai 筆記整理（3-2）——機器學習策略
新的 bsp 誤差 spa 歸納 空間 font 處理 整理 一、誤差分析 定義：有時我們希望算法能夠勝任人類能做的任務，但是當算法還沒達到人類所預期的性能時，人工檢查算法錯誤會讓你知道接下來做什麽，這也就是誤差分析 檢查，發現會把夠狗當恒，是否需要做一個項目專門處理狗
《深度學習：原理與應用實踐》中文版PDF
應用 href 書籍 nag tex 原理 圖片 water images 下載：https://pan.baidu.com/s/1YljEeog_D0_RUHjV6hxGQg 《深度學習：原理與應用實踐》中文版PDF，帶目錄和書簽； 經典書籍，講解詳細； 如圖： 《深度學
深度學習相關論文
1. 深度學習基礎及歷史 1.0 書 [0] 深度學習聖經 ★★★★★ Bengio, Yoshua, Ian J. Goodfellow, and AaronCourville. "Deep learning." An MIT Press book. (2015). https:/
深度學習：YOLO系列
一、YOLO v1 (CVPR2016, oral) (You Only Look Once: Unified, Real-Time Object Detection) 可參考文章：https://zhuanlan.zhihu.com/p/27029015 Faster R-CNN的方法目前
深度學習：keras學習
Keras TensorFlow教程 ：如何從零開發一個複雜深度學習模型：https://segmentfault.com/a/1190000012645225 keras概念解釋：http://www.zhiding.cn/techwalker/documents/J9UpWRDfV