论文理解第5页

Deep Layer Aggregation----------论文理解

1.概述视觉识别需要丰富的表示，从低到高，从小到大，从细到粗的分辨率。架构网络正在探索骨干网络以设计更深以及更宽的网络，但如何融合这些层以及这些块值得进一步的探讨。尽管已经提出了残差网络来组合层，但这些连接本身已经“浅”，并且仅通过简单的一步操作融合。我们认为通过更深层次的融合可以更好的聚合不同层的信息。我们的深层聚合结构以迭代和分层方式合并特征层次结构，使网络具有更高的准确性和更少的参数。2.深

ruoruojiaojiao·2020-08-02 13:24

CBAM: Convolutional Block Attention Module------论文理解

参考博客：https://blog.csdn.net/u013738531/article/details/82731257pytorch代码：https://github.com/luuuyi/CBAM.PyTorch1.概述本论文提出了一种简单但有效的注意力网络---ConvolutionalBlockAttentionModule(CBAM)。给定一个中间的特征图，我们的模块沿着两个不同的维

ruoruojiaojiao·2020-08-02 13:24

Large Kernel Matters—— Improve Semantic Segmentation by Global Convolutional Network------论文理解

参考博客：https://blog.csdn.net/zhangjunhit/article/details/745305961.概述目前网络架构设计的趋势均是在相同计算量的前提下将大的卷积核替换为多个小的卷积核（如1x1和3x3）堆叠而成。但在语义分割中需要同时进行分类和定位的时候大的卷积核占很重要的角色。为解决分类和定位问题，我们提出了GCN网络。同时提出了基于残差的边界修正，来更好细化物体边

ruoruojiaojiao·2020-08-02 13:24

Parallel Feature Pyramid Network for Object Detection-------论文理解

参考博客：https://blog.csdn.net/u014380165/article/details/824687251.概述目前目标检测的研究，基本上是逐渐增加金字塔形状的特征层数量而不是使用特征化的图像金字塔。然而，CNN特征层的不同抽象级别通常会限制检测性能，尤其是在小型对象上。因此本文提出了一种基于CNN的物体检测架构，称为并行特征金字塔（FP）网络（PFPNet），其中FP通过加宽

ruoruojiaojiao·2020-08-02 13:24

Res2Net------论文理解

1.设计网络的动机目前现有的特征提取方法大多都是用分层方式表示多尺度特征。分层方式即要么对每一层使用多个尺度的卷积核进行提特征（如SPPNet），要么就是对每一层提取特征进行融合（如FPN）。本文提出的Res2Net在原有的残差单元结构中又增加了小的残差块，增加了每一层的感受野大小。Res2Net也可以嵌入到不同的特征提取网络中，如ResNet,ResNeXt,DLA等等。2.Res2Net2.1

ruoruojiaojiao·2020-08-02 13:53

SKNet-------论文理解

参考博客：https://blog.csdn.net/qixutuo6087/article/details/88822428pytorch代码：https://github.com/pppLang/SKNet1.为什么提出该网络？当我们在距离目标不同远近程度看一个物体时，我们的视觉皮层神经元会选择不同的接受域来感受该物体。因此，本文提出一种动态选择机制使每一个神经元可以针对目标物体的大小选择不同

ruoruojiaojiao·2020-08-02 13:53

图像分类算法VGGNet论文解读

一、论文理解1、ImageNet大型视

纸上得来终觉浅～·2020-08-02 13:14

A Simple Pooling-Based Design for Real-Time Salient Object Detection------论文理解

论文链接：https://arxiv.org/abs/1904.095691.摘要本文将通过扩展卷积神经网络中的池化部分来解决显著目标检测问题。在特征金字塔的基础上，在bottom-up途径上加入GGM模块（globalguidancemodule），旨在为不同特征层提供潜在显著对象的位置信息。在top-down途径加入FAM模块（featureaggregationmodule），将粗糙级的特征

ruoruojiaojiao·2020-08-02 12:07

模型压缩 | Deep Compression论文理解及Caffe源码修改（1）

《DeepCompression:CompressionDeepNeuralNetworksWithPruning,TrainedQuantizationAndHuffmanCoding》论文解读：1.在.cu中目前仍然是调用cpu_data接口，所以可能会增加与gpu数据交换的额外耗时，这个不影响使用，后面慢慢优化。~(已解决)2.目前每层权值修剪的比例仍然是预设的，这个比例需要迭代试验以实现在

努力努力再努力tq·2020-07-30 20:46

DenseReg: Fully Convolutional Dense Shape Regression In-the-Wild论文理解

本篇论文提出了通过全卷积网络学习把图像像素映射到密集模板网格，主要针对人脸。该论文把这个问题看作是一个回归问题。这篇论文手动标注野外的面部地标并利用地标去建立3维物体模板与输入图像之间的密集坐标关系，然后作为densereg网络训练回归系统的ground-truth,这是标注问题设计了一种叫DenseReg的系统，可以用一种全卷积的方式估计从图像到模板的密集联系。步骤：1，先产生ground-tr

fengfeng，Z·2020-07-30 16:49

《Real-Time Compressive Tracking》论文理解

这是KaihuaZhang发表在ECCV2012的paper，paper的主题思想是利用满足压缩感知(compressivesensing)的RIP(restrictedisometryproperty)条件的随机测量矩阵(randommeasurementmatrix)对多尺度(multiplescale)的图像特征(features)进行降维，然后通过朴素贝叶斯分类器(naiveBayescl

pan_by·2020-07-29 21:34

浅谈YOLOV2与YOLOV3

YOLOv1:YOLOv1论文理解最近要做目标跟踪，经过调研发现，YOLOv3的速度与精度喜人，超过了同时代的(Faster-R-cnn、SSD、YOLOv2)，达到了art-to-state水平，但是在阅读过程中

米小凡·2020-07-15 16:38

keras--yolov3进行目标检测

keras中文文档:https://keras.io/zh/论文理解：边框回归的理解：https://blog.csdn.net/zijin0802034/article/details/77685438retinanet

Capricorn_zhang·2020-07-15 14:01

【小白】——Faster R-CNN论文理解

写在前面：本文是在记录博主在查阅资料理解FasterR-CNN时的理解相关笔记，如有错误请大家及时指出资料参考b站、原论文https://www.bilibili.com/video/BV1pt411F73V?p=2以及其他网络资源原论文地址https://arxiv.org/pdf/1506.01497.pdf综述fasterrcnn是在rcnn和fastrcnn的基础上发展而来，网络用于目标检

LittleGreyWing·2020-07-15 13:46

YOLO v2论文理解

文章目录1介绍2改进措施2.1批量归一化2.2高分辨率分类器2.3使用anchorbox进行卷积2.4维度聚类2.5直接位置预测2.6细粒度特征2.7多尺度训练2.8速度提升3YOLO90004相关资料1介绍YOLOv2是在YOLOv1的基础上进行了不少地改进的目标检测模型。在论文中，一部分主要介绍了相关的改进措施，使得YOLOv2模型在mAP和速度上相比YOLOv1得到了很大的提升。另一部分则是

wtrnash·2020-07-15 09:42

论文理解《Class-Agnostic Counting》

codehttps://github.com/erikalu/class-agnostic-counting解决问题：建立一个适用于任何物体类别的计数模型；解决方法：将计数问题转化为匹配问题，挖掘图的自相似性；主要贡献：1.提出GenericMatchingNetwork(GMN)，可按类未知方法进行计数；2.将计数问题重定义为物体匹配问题，可充分利用大量丰富的已标注的视频帧数据（因为这些视频帧之

Selieyo·2020-07-14 22:48

论文理解《Learning from Synthetic Data for Crowd Counting in the Wild》

CVPR2019主页：https://gjy3035.github.io/GCC-CL/index.html才发现之前一直看的人群计数总结也是这位作者的：https://github.com/gjy3035/Awesome-Crowd-Counting#GWTA-CCNN，很赞！解决问题：真实场景中存在多变的环境、更拥挤的人群，现存的方法不能很好解决问题；除此之外，因为数据的稀缺，许多方法都存在不

Selieyo·2020-07-14 22:47

CornerNet: Detecting Objects as Paired Keypoints--------论文理解

参考博客：https://blog.csdn.net/u014380165/article/details/830322731.提出该网络的动机目前的目标检测大多数都是基于anchorboxes（锚框）的，如fasterr-cnn，yolov2，yolov3等，但这一类检测有两个缺点：一，我们需要一大堆锚框。因为检测器需要判断锚框和真实框是否很大程度的重叠，因此需要大量的锚框。这样会导致有很多用不

ruoruojiaojiao·2020-07-13 12:42

YOLOv1论文理解

YouOnlyLookOnce:Unified,Real-TimeObjectDetectionAbstract作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过regionproposal产生大量的可能包含待检测物体的potentialboundingbox，再用分类器去判断每个boundingbox里是否包含有物体，以及物体所属类别的probability或者conf

hrsstudy·2020-07-13 05:48

ACL2019 Best Long Paper -- 论文理解与体会

公众号关注“ML_NLP”设为“星标”，重磅干货，第一时间送达！来自|知乎地址|https://zhuanlan.zhihu.com/p/76227765作者|南方的仔编辑|机器学习算法与自然语言处理公众号本文仅作学术分享，若侵权，请联系后台删文处理昨天中科院计算所自然语言处理团队的论文《BridgingtheGapbetweenTrainingandInferenceforNeuralMachi

机器学习算法与自然语言处理·2020-07-12 18:56

语义分割--segnet

论文：https://arxiv.org/pdf/1511.00561.pdf论文翻译：https://blog.csdn.net/u014451076/article/details/70741629论文理解

qq_43222384·2020-07-11 21:10

ResNet中残差块的理解（附代码）

原论文下载地址：论文原代码下载地址：官方pytorch代码比较完整的论文理解：ResNet论文笔记及代码剖析这里我只讲他的核心理念，残差块，也是我理解了很久的地方，请原谅我描述的如此口语化，希望能帮助大家理解

小胖仙·2020-07-11 17:21

Attentive Generative Adversarial Network for Raindrop Removal from A Single Image论文理解

概述：在去雨的过程中给网络加上了attention提取，让网络能够更好地学到有雨滴部分的差别。网络结构如下：首先使用attention提取网络来获得包含雨滴的图像的attention图像（值在0-1之间，包含雨滴的地方值较大），attention提取网络中使用通过原图与gt相减并进行二值化处理之后获得的mask与网络得到的attention图来计算loss，以此来优化attention提取网络，l

Jerry_Leo_liu·2020-07-10 22:43

论文理解《A-CCNN: ADAPTIVE CCNN FOR DENSITY ESTIMATION AND CROWD COUNTING》

论文《A-CCNN:ADAPTIVECCNNFORDENSITYESTIMATIONANDCROWDCOUNTING》创新点：利用上下文信息提供更精确和适应的密度图用于场景中的人群计数；解决问题：物体规模变化较大以及人群之间严重的闭塞造成人群计数是个较为麻烦的问题；提出方法：提出A-CCNN网络——AdaptiveCountingCNN背景介绍不过多展开；A-CCNN:如下图fig.1显示，可以回

Selieyo·2020-07-10 02:07

VGGNet 阅读理解 - Very Deep Convolutional Networks for Large-Scale Image Recognition

论文理解-VGGNet-VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition[VGG-Paper][原文地址-Verydeepconvolutionalnetworksforlarge-scaleimagerecognition

AIHGF·2020-07-09 21:15

[论文理解] LFFD: A Light and Fast Face Detector for Edge Devices

LFFD:ALightandFastFaceDetectorforEdgeDevices摘要从微信推文中得知此人脸识别算法可以在跑2K图片90fps，仔细一看是在RTX2070下使用tensorrt下才能达到。最近刚好有个目标检测的任务，检测的目的其实差不多，我们篮球组比赛中需要检测篮球和排球，传统方法的鲁棒性不好，因此拟打算用自己写个神经网络结构在nucx86cpu下能够取得不错的推理速度和准确

weixin_30664615·2020-07-08 14:49

YOLOv3论文理解

论文-YOLOv3引自：https://xmfbit.github.io/2018/04/01/paper-yolov3/发表于2018-04-01YOLO的作者又放出了V3版本，在之前的版本上做出了一些改进，达到了更好的性能。这篇博客介绍这篇论文：YOLOv3:AnIncrementalImprovement。下面这张图是YOLOV3与RetinaNet的比较。可以使用搜索功能，在本博客内搜索Y

SDUATI·2020-07-08 04:40

论文理解——Audio Adversarial Examples:Targeted Attacks on Speech-to-Text

0-Abstract本文构建了有关语音识别的定向语音对抗样本，给定任意音频波形，可以产生99.9%相似的另一个音频波形，且可以转录为所选择的任何短语。作者将基于白盒迭代优化攻击应用于DeepSpeech模型（端到端语音识别），实验显示，它具有100%的成功率。1-Introduction1.1Existingwork当前对对抗样本的研究大多基于图像空间，包括图像分类、图像生成模型、图像分割、面部检

Arielwyy·2020-07-08 02:02

Deep Image Prior论文理解

https://github.com/DmitryUlyanov/deep-image-priorhttps://dmitryulyanov.github.io/deep_image_priorhttps://blog.csdn.net/muyiyushan/article/details/79093806DeepImagePrior问题CNN的优异表现归功于他们能够从大量的例子图像中学习真实的图

Magic_o·2020-07-06 23:38

RetinaNet论文理解

paper：FocalLossforDenseObjectDetectionlink：RetinaNet引言目前精度最高的目标检测器都是基于R-CNN结构衍生出来的two-stage目标检测方法，相反one-stage的探测器应用于目标可能位置的密集采样中，具有更快更简单的特点但是精度落后two-stage的检测器；在本文的研究中发现造成这种情况的核心问题是密集检测器在训练过程中会遇到foregr

JustForYouW·2020-07-06 08:02

learned video compression 论文理解翻译（1）

LearnedVideoCompression基于机器学习的视频压缩Abstract摘要Wepresentanewalgorithmforvideocoding,learnedend-to-endforthelow-latencymode.Inthissetting,ourapproachoutperformsallexistingvideocodecsacrossnearlytheentireb

视频编码小菜鸟·2020-07-05 03:35

learned video compression 论文理解翻译（2）

ML-basedvideocompression.Toourknowledge,theonlypre-existingend-to-endML-basedvideocompressionapproachsare[52,8,16].[52]firstencodeskeyframes,andproceedstohierarchicallyinterpolatetheframesbetweenthem.

视频编码小菜鸟·2020-07-05 03:35

Focal Loss 论文理解及公式推导

原文：FocalLoss论文理解及公式推导-AIUAI题目:FocalLossforDenseObjectDetection-ICCV2017作者:Tsung-Yi,Lin,PriyaGoyal,RossGirshick

AIHGF·2020-07-05 01:05

AlexNet 阅读理解 - ImageNet Classification with Deep Convolutional Neural Networks

论文理解-ImageNetClassificationwithDeepConvolutionalNeuralNetworks[AlexNet-Paper][原文地址]关于AlexNet的介绍.博主Yuens

AIHGF·2020-07-02 13:18

siamRPN论文理解与复现

**论文地址：http://openaccess.thecvf.com/content_cvpr_2018/papers/Li_High_Performance_Visual_CVPR_2018_paper.pdf论文讲解：siamRPN的网络结构由两部分组成，siam+RPNSiam部分：主要功能是提取特征RPN部分：功能为产生候选框以及二分类vectorRPN流程：①从主干网络得到templa

咆哮的大叔·2020-07-02 05:39

Bert论文理解

Bert论文理解关于Bert,最近实在太火了，我看了Bert的原论文、JayAlammar(博客专家)关于BERT的介绍、还有知乎张俊林大佬写的从WordEmbedding到Bert模型—自然语言处理中的预训练技术发展史稍微有点理解

zycxnanwang·2020-06-30 20:01

YOLO v3论文理解

AbstractYolov3:anincrementalimprovementyolov3包含一堆小设计，可以使系统的性能得到更新；也包含一个新训练的、非常棒的神经网络，虽然比上一版更大一些，但精度也提高了。不用担心，虽然体量大了点，它的速度还是有保障的。在输入320×320的图片后，YOLOv3能在22ms内完成处理，并取得28.2mAP的成绩。它的精度和SSD相当，但速度要快上3倍。和旧版数据

JustForYouW·2020-06-29 22:57

MRSN：Multi-scale Residual Network for Image Super-Resolution 论文理解

Multi-scaleResidualNetworkforImageSuper-Resolution用于图像高分辨率的多尺度残差网络原文：Multi-scaleResidualNetworkforImageSuper-Resolution,ECCV2018github(pytorch):https://github.com/MIVRC/MSRN-PyTorchMRSN：Multi-scaleRes

ytao_wang·2020-06-29 17:07

《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》论文理解

在《SpectralNetworksandDeepLocallyConnectedNetworksonGraphs》的基础上，《ConvolutionalNeuralNetworksonGraphswithFastLocalizedSpectralFiltering》作出了改进：作者提出，泛化卷积网络到图上需要以下3个基本的步骤：（1）在图上设计出局部的卷积核（2）将的相似节点聚类的图粗化过程（3

monster.YC·2020-06-29 08:47

【论文理解】yolov3损失函数

看了很多关于yolov3的算法讲解，但是对于损失函数一直没怎么看懂，再看代码，发现完全不懂，所以决定再仔细看看yolov3的损失函数。由于是自己总结加分析，可能存在错误，如果有错误，请告诉我~另外记录笔记只是为了自己学习，如果能帮助到别人很好，很开心~帮助不了，我也只是自己学习记录笔记，可以不看哦，请勿吐嘈谢谢感谢，因为不想打击积极性啊哈~先回顾下YOLOv1的损失函数：Loss=λcoord∑i

dlut_yan·2020-06-29 08:00

【论文理解】理解yolov3的anchor、置信度和类别概率

以前写过一篇博客，都是转载其余博主的内容，对yolov3有了基本认识，但是当时只浮于表面，并没有真正的理解yolov3，现在对于yolov3的anchor计算，损失函数的计算有了一些新的理解，记录一下。在网络最后的输出中，对于每个gridcell产生3个boundingbox，每个boundingbox的输出有三类参数：一个是对象的box参数，一共是四个值，即box的中心点坐标（x,y）和box的

dlut_yan·2020-06-29 08:00

【YOLOV2】简单介绍

论文理解论文提到有几个方面可以提升网络性能：（1）BN可以防止模型过拟合，增强模型的泛化能力。

mjiansun·2020-06-27 05:39

Distant supervision for relation extraction without labeled data论文理解

Distantsupervisionforrelationextractionwithoutlabeleddata论文理解论文作者：MikeMintz,StevenBills,RionSnow,DanJurafsky

super_dmz·2020-06-26 16:38

【目标检测】YOLOv4论文理解

不断进步的咸鱼·2020-06-25 12:12

【多目标跟踪】sort论文理解

文章目录摘要一、引言二、文献综述三、方法论3.1目标检测3.2估计模型3.3数据关联3.4创建和删除轨迹标识四、实验4.1度量4.2绩效评估4.3运行时间五、结论摘要本文方法(SORT)是一种基于检测的跟踪框架，基于检测算法（FasterRCNN），利用卡尔曼滤波以及匈牙利算法进行跟踪。，精度可与最先进的在线跟踪器媲美，跟踪器的更新速度是当前其他跟踪器的20倍。实验表明检测质量是影响跟踪性

不断进步的咸鱼·2020-06-25 12:12

【目标检测】YOLOv1论文理解

文章目录一、介绍1.1YOLOv1和FasterRCNN系列的区别1.2YOLOv1的优点1.3YOLOv1的缺点二、检测2.1YOLOv1网络设计2.2YOLOv1训练2.3YOLOv1测试2.4YOLOv1缺陷一、介绍代码实现：https://editor.csdn.net/md/?articleId=1055335551.1YOLOv1和FasterRCNN系列的区别FasterR-CN

不断进步的咸鱼·2020-06-25 12:11

图像超分辨率的一些个人总结以及FSRCNN论文理解

所谓图像超分辨率就是试图从一个低分辨率的图像中恢复出一个高分辨率的图像。恢复出的高分辨率图像在纹理细节，边缘细节上应尽可能的清晰，避免产生过度平滑的图像，在视觉感知上看起来尽可能的真实。并不是一味地追求PSNR，这个指标越大并不代表越好，因为这样产生的图像在视觉上可能看起来并不真实，所以应当综合考虑，选取合适的损失函数。均方误差(MSE)偏好于更大的峰值信噪比(PSNR)，而感知损失(percep

qq_33590958·2020-06-25 07:56

image retrival 相关的一些论文理解

1.论文：DeepImageRetrieval:Learningglobalrepresentationsforimagesearch实例检索级别特点：1.三元组2.RPN3.MAC融合4.shift+fc的解释5.直接用这个ID训练，而非类别6.数据集landmark选择asetofabout192,000imagesdividedinto586landmarks7.速度：encodeappro

AaronJiang395·2020-06-25 05:15

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解

本文模型的代码是基于keras和Theana上完成，但是好像并没有进行开源我们提出一种新颖的，多任务的全卷积网络（FCN）架构，用于脑肿瘤的自动分割。该网络通过连接从多模MR图像提取的分层特征表示来提取多级上下文信息。通过在损失函数中直接加入边界信息，实现了分割性能的提高。该方法在BRATS13和BRATS15数据集上进行了评估，并与BRATS13测试集上的竞争方法进行比较。相比单任务的FCN和融

报任安者·2020-06-25 04:05

Learning to Compare: Relation Network for Few-Shot Learning 论文理解

先介绍两个概念：零样本识别：我们有一些有标签数据，想让它识别没有标签的数据，比如有猫和狗的有标签数据，想识别猪，这种情况必须提供一些其他数据，比如标签的属性少量样本识别：直接举例，猫和狗数据有100000张，猪只有10张文章的大体思想是模拟人类进行识别，我们人之所以能够识别一个新的东西，在于我们人的视觉系统天生的能够对任意物体提取特征，并进行比较。因为我们能够比较不同物体，所以我们根本无所谓看到的

qq_652530495·2020-06-25 01:10

推荐频道

论文理解

Deep Layer Aggregation----------论文理解

CBAM: Convolutional Block Attention Module------论文理解

Large Kernel Matters—— Improve Semantic Segmentation by Global Convolutional Network------论文理解

Parallel Feature Pyramid Network for Object Detection-------论文理解

Res2Net------论文理解

SKNet-------论文理解

图像分类算法VGGNet论文解读

A Simple Pooling-Based Design for Real-Time Salient Object Detection------论文理解

模型压缩 | Deep Compression论文理解及Caffe源码修改（1）

DenseReg: Fully Convolutional Dense Shape Regression In-the-Wild论文理解

《Real-Time Compressive Tracking》论文理解

浅谈YOLOV2与YOLOV3

keras--yolov3进行目标检测

【小白】——Faster R-CNN论文理解

YOLO v2论文理解

论文理解《Class-Agnostic Counting》

论文理解《Learning from Synthetic Data for Crowd Counting in the Wild》

CornerNet: Detecting Objects as Paired Keypoints--------论文理解

YOLOv1论文理解

ACL2019 Best Long Paper -- 论文理解与体会

语义分割--segnet

ResNet中残差块的理解（附代码）

Attentive Generative Adversarial Network for Raindrop Removal from A Single Image论文理解

论文理解《A-CCNN: ADAPTIVE CCNN FOR DENSITY ESTIMATION AND CROWD COUNTING》

VGGNet 阅读理解 - Very Deep Convolutional Networks for Large-Scale Image Recognition

[论文理解] LFFD: A Light and Fast Face Detector for Edge Devices

YOLOv3论文理解

论文理解——Audio Adversarial Examples:Targeted Attacks on Speech-to-Text

Deep Image Prior论文理解

RetinaNet论文理解

learned video compression 论文理解翻译（1）

learned video compression 论文理解翻译（2）

Focal Loss 论文理解及公式推导

AlexNet 阅读理解 - ImageNet Classification with Deep Convolutional Neural Networks

siamRPN论文理解与复现

Bert论文理解

YOLO v3论文理解

MRSN：Multi-scale Residual Network for Image Super-Resolution 论文理解

《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》论文理解

【论文理解】yolov3损失函数

【论文理解】理解yolov3的anchor、置信度和类别概率

【YOLOV2】简单介绍

Distant supervision for relation extraction without labeled data论文理解

【目标检测】YOLOv4论文理解

【多目标跟踪】sort论文理解

【目标检测】YOLOv1论文理解

图像超分辨率的一些个人总结以及FSRCNN论文理解

image retrival 相关的一些论文理解

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解

Learning to Compare: Relation Network for Few-Shot Learning 论文理解