作者：Qing Zhou1,2,Zhiyong Zhou1,Chunmiao Chen3;单位：1 Chinese Academy of Sciences ,2 University of Science and Technology of China ,3 Wenzhou Medical College ,4 Soochow University (Suzhou)发表期刊：Computers in Biology and Medicine, vol. 107, 2019, pp. 47–57.论文简介：肝细胞癌（HCC）分化的临床组织学分级对临床诊断、治疗和预后有重要意义。然而，对于放射科医生来说，从医学图像中评估肝癌分级是一个挑战。本研究将三维密集卷积网络（DenseNet）中的压缩与激励网络（SENets）相结合，发展了一种新的深部神经网络，称为三维sedensenet，利用来自两个不同临床中心的增强临床磁共振（MR）图像对HCC分级进行分类。在三维DenseNet的密集块之间增加一层SENet，以减轻特征冗余的影响。对于HCC分级任务，在数据增强后训练3D-SE-DenseNet，其性能优于基于临床数据集的3D-DenseNet。基于该数据集，对两级HCC分级任务中的3D-SE-DenseNet进行了定量评价，其中包括213个动态增强MR图像样本。与3D-DenseNet的72%精度相比，所提出的3D-SE-DenseNet的精度为83%。三维SE-DenseNet具有SE层自动特征学习的优点，可以同时处理有用的特征增强和多余的特征抑制。定量实验证实了3D-SE-DenseNet在评价肝癌分级中的优越性。研究方向：深度学习（模型修改）
下载作者：Mingxing Tan,Quoc V. Le单位：google发表期刊：International Conference on Machine Learning, 2019, pp. 6105–6114.论文简介：卷积神经网络（ConvNets）通常是在固定的资源预算下发展起来的，如果有更多的资源可用的话，则会扩大规模以获得更好的精度。在本文中，我们系统地研究了模型缩放，并发现仔细地平衡网络的深度、宽度和分辨率可以获得更好的性能。在此基础上，我们提出了一种新的标度方法，该方法使用简单而高效的复合系数均匀地标度深度/宽度/分辨率的所有维度。我们证明了这种方法在放大MobileNets和ResNet上的有效性。 更进一步，我们使用神经架构搜索设计了一个新的基线网络，并将其放大以获得一个称为有效网的模型族，该模型比以前的有效网具有更好的精度和效率。特别是，我们的EfficientNet-B7在ImageNet上达到了最先进的84.4%的top-1/97.1%的top-5精度，同时比现有最好的ConvNet小8.4倍，推理速度快6.1倍。我们的效率集在CIFAR-100（91.7%）、Flowers（98.8%）和其他3个传输学习数据集上也传输良好，达到了最新的精确度，参数减少了一个数量级。研究方向：深度学习（卷积神经网络框架）
下载作者：Zhizhong Li,Derek Hoiem单位：University of Illinois at Urbana–Champaign发表期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 40, no. 12, 2018, pp. 2935–2947.论文简介：当建立一个统一的视觉系统或逐渐增加系统的新能力时，通常的假设是所有任务的训练数据总是可用的。然而，随着任务数量的增长，存储和重新训练此类数据变得不可行。当我们在卷积神经网络（CNN）中加入新的特征时，出现了一个新的问题，但是现有能力的训练数据是不可用的。我们提出了一种不遗忘学习方法，它只使用新的任务数据来训练网络，同时保持原有的能力。与通常使用的特征提取和微调自适应技术相比，我们的方法性能良好，并且与使用我们假设不可用的原始任务数据的多任务学习类似。一个更令人惊讶的发现是，不忘学习可以用相似的新旧任务数据集代替微调，从而改进新任务。研究方向：迁移学习（迁移学习方法）
下载作者：Hoo-Chang Shin, Orton, M. R., Collins, D. J., Doran, S. J., Leach, M. O.单位：The Institute of Cancer Research and Royal Marsden NHS Foundation Trust, Sutton, United Kingdom.发表期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), 1930–1943.论文简介：卷积自编码器从无标签数据中自动学习肿 瘤关键特征，比传统手工设计特征更有效。研究方向：深度学习
下载作者：Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton单位：Google Inc Google Inc OpenAI发表期刊：Communications of the ACM 2017 No.6 P84-90论文简介：ALexNet，引发了深度学习的热潮。提出了深度卷积神经网络CNN的基础结构：使用卷积层进行特征提取；使用池化层进行特征降维，压缩参数、减小过拟合；使用激励层进行非线性特征映射，使用全连接层获取所有特征信息，进行图像分类。研究方向：深度学习
下载作者：Evan Shelhamer，Jonathan Long，Trevor Darrell单位：Department of Electrical Engineering and Computer Science (CS Division)发表期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence 2017 No.4 P640-651论文简介：FCN，使用深度学习方法进行像素级图像分割的基石。使用反卷积层替换CNN网络中的全连接层，反卷积层的参数来自于之前的卷积层和池化层，从而将压缩的图像恢复至原图大小。最终实现对每个像素的分类概率预测。研究方向：深度学习
下载