Jemary_的博客

Learning to Reweight Examples for Robust Deep LearningPAPERCODEAbstract面对样本不平衡问题和标签噪声等问题，之前是通过regularizers或者reweight算法，但是需要不断调整超参取得较好的效果。本文提出了meta-learning的算法，基于梯度方向调整权重。具体做法是需要保证获得一个足够干净的小样本数据集，每...

本文主要是解决电子病例的问题。电子病历通常是一个纵向的自然的医疗事件的序列（包括医疗笔记、用药、症状以及实验报告等）所以纵向和异质性质使EHR分析成为一个困难挑战。为了应对这一挑战，在本文中，为这样的事件序列开发了一种新颖的表示——时序图。 时序图可用于各种具有挑战性的分析任务，例如预测建模，因为它可以捕获每个事件序列中医学事件的时间关系。 通过总结纵向数据，时间图足够robust，能抵抗噪声和不...

基于深度卷积网络的超分辨率是一个快速发展的领域，具有许多实际应用。在本文中，我们在三个经典数据集和三个最近引入的具有挑战性的数据集上对超过30个最先进的超分辨率卷积神经网络（CNN）进行了比较，并以单图像超分辨率为基准来检验。我们提出了对基于深度学习的超分辨率网络的分类法，将现有方法分为九类，包括线性，残差，多分支，递归，渐进，基于注意力和对抗性设计。我们还比较了网络结构复杂性，内存占用，模型输入和输出，学习细节，网络损失类型和一些重要对结构差异（例如，深度，跳过连接，过滤器）。通过广泛的评估，显示出过去几

Abstract超分辨率卷积神经网络最近证明了单个图像的高质量恢复。然而，现有算法通常需要非常深的架构和长的训练时间。此外，目前用于超分辨率的卷积神经网络无法利用多种尺度的特征并对它们进行相同的权衡，从而限制了它们的学习能力。在本次论述中，我们提出了一种紧凑而精确的超分辨率算法，即Densely Residual Laplacian Network (DRLN)）。所提出的网络在残余结构上采用级...

Summary这篇文章的创新点在于提出了Meta-Upscale Module这个模块，实现了任意尺寸的放大（当然这篇论文做的主要是x1-x4的倍数），核心思想是HR和LR图片之间实际上是一个缩放关系，有一个缩放因子r。LR的像素通过一组滤波器权重可以映射到SR上，所以找到SR图片和LR图片的像素映射，训练出滤波器权重。(1)ISR(i,j)=Φ(FLR(i′,j′),w(i,j))\mat...

abstractMixNet这篇文章系统研究了不同尺寸的卷积核对于最终结果的影响，提出了一个混合深度卷积(MDConv)，在一个卷积中混合了多个卷积核尺寸。然后把MDConv集成到AutoML的搜索空间，构建了MixNets。不同卷积核尺寸对模型的影响如下：MDConv architecture因为不同大小的卷积核捕捉的模式不同，特征不同，所以把通道分成多组，每组通道使用不同尺寸的卷积...