Interesting Reading

GoogLeNet

url: https://github.com/Bryce1010/deeplearning_xyang/blob/master/basic_network_xyang/intensive/GoogLeNet/GoogLeNet.md

Extensive Reading

RepPoints: Point Set Representation for Object Detection

Ze Yang1†∗ Shaohui Liu2,3†∗ Han Hu3 Liwei Wang1 Stephen Lin3
intro: CVPR 2019 1Peking University 2Tsinghua University 3Microsoft Research Asia

现代物体探测器严重依赖于矩形边界框，例如锚点，建议和最终预测，以在各种识别阶段表示物体。边界框使用方便，但仅提供对象的粗略定位，并导致对象特征的相应粗略提取。在本文中，我们提出RepPoints代表点，一个新的更精细的对象表示作为一组有用于本地化和识别的样本点。给定训练的基础事实本地化和识别目标，RepPoints学习自动以限制对象的空间范围的方式自我排列并指示语义上重要的局部区域。此外，它们不需要使用锚来对边界框的空间进行采样。我们表明，基于RepPoints的无锚对象检测器，无需多规模训练和测试即可实现，与COCO测试开发检测基准上的42.8 AP和65.0 AP 50一样有效。

reppoints是一种新的对象检测方法，它由一组点组成，这些点指示对象的空间范围和语义上重要的局部区域。这种表示是通过对矩形接地真值框的弱局部化监督和隐式识别反馈来学习的。基于更丰富的reppoints表示，我们开发了一个无锚对象检测器，与使用边界框相比，它的性能得到了提高。

网络架构：

实验结果：

Local Relation Networks for Image Recognition

Han Hu, Zheng Zhang, Zhenda Xie, Stephen Lin
intro: CVPR2019

卷积层多年来一直是计算机视觉中的主要特征提取工具。然而，卷积中的空间聚集基本上是一个模式匹配过程，它应用固定的过滤器，在对具有不同空间分布的视觉元素建模时效率很低。本文提出了一种新的图像特征提取算法，称为局部关系层，它根据局部像素对的合成关系自适应地确定聚集权重。使用这种关系方法，它可以以更有效的方式将可视元素组合成更高级别的实体，从而有利于语义推理。在图像网络分类等大规模识别任务中，利用局部关系层构建的网络称为局部关系网络（lr-net），其建模能力比用常规卷积构建的对应网络更强。

Breast Cancer Classification with Ultrasound Images Based on SLIC

Zhihao Fang, Wanyi Zhang, He Ma

intro: CVPR2019
乳腺肿瘤的超声图像诊断近年来得到了广泛的应用。但其存在质量差、噪声大、回波分布不均匀等问题，给诊断带来了巨大障碍。为了克服这些问题，我们提出了一种新的方法，即基于SLIC（BCCUI）的超声图像乳腺癌分类。我们首先利用基于简单线性迭代聚类（SLIC）算法和区域增长算法的感兴趣区域（ROI）提取，在超像素级提取ROI。接下来，提取ROI的特征。此外，还应用了支持向量机（SVM）分类器。计算表明，该分段算法的精度高达88.00%，灵敏度高达92.05%，证明本文提出的分类器具有一定的研究意义和应用价值。

Unsupervised deep learning for Bayesian brain MRI segmentation

Adrian V. Dalca, Evan Yu, Polina Golland, Bruce Fischl, Mert R. Sabuncu, Juan Eugenio Iglesias

Intro: CVPR2019

概率地图集先验已普遍用于推导自适应和稳健的脑MRI分割算法。广泛使用的神经图像分析管道严重依赖于这些技术，这些技术通常计算成本很高。相比之下，最近出现了大量利用深度学习来实现分段工具的方法，这些工具在测试时计算效率很高。然而，这些策略大多依赖于从手动注释的图像中学习。因此，这些受监督的深度学习方法对训练数据集中的强度分布非常敏感。为了为一个新的图像数据集（例如，不同对比度的图像）开发一个基于深度学习的分割模型，人们通常需要创建一个新的标记训练数据集，它可能非常昂贵，或者依赖于次优的即席适应或增强方法。在本文中，我们提出了一种替代策略，将传统的基于概率图集的分割与深度学习相结合，使得我们能够训练一个新的MRI扫描的分割模型，而无需任何手动分割图像。我们的实验包括数千次脑部核磁共振扫描，并证明所提出的方法对于不同的核磁共振对比度的脑部核磁共振分割任务具有良好的准确性，在GPU上测试时只需要大约15秒。