01 2019 档案

对EM算法的理解
摘要：EM算法中要寻找的参数θ，与K-means聚类中的质心是对应的，在高斯混合模型中确定了θ，便可为样本进行类别的划分，属于哪个高斯分布的概率大就是哪一类，而这一点与K-means中的质心一样，质心确定了，样本的类别就确定了，只不过K-means采用样本到质心的距离来衡量归属于某一类的概率，所以K-me 阅读全文
posted @ 2019-01-26 19:37 wuzeyuan 阅读(293) 评论(0) 推荐(0)
对半监督学习的理解
摘要：半监督学习介于监督学习和无监督学习之间，描述的是拥有少量有标记样本和大量无标记样本的情况，非常符合现实世界中的实际场景，数据很多，标签很少。 半监督学习的目的就是将大量无标签样本利用起来，发挥它们的价值，因为数据本身就蕴藏着大量有价值的信息，标签只是帮助我们提取信息的手段，如果没有标签，我们依然应该 阅读全文
posted @ 2019-01-23 23:08 wuzeyuan 阅读(1559) 评论(0) 推荐(0)
对机器学习中朴素贝叶斯的理解
摘要：通常我们会根据样本X来推断属于某一类的概率，这个概率就叫后验概率P(c|x)，概率最大的类就是我们要的结果。 其实，这个结果只是一种特例，最大化后验概率是最小化误判风险的一种情况，具体来说是误判损失为1的情况。 不管怎样，我们都需要求取后验概率，根据贝叶斯定理，后验概率可以由先验概率和类条件概率求出 阅读全文
posted @ 2019-01-18 16:48 wuzeyuan 阅读(338) 评论(1) 推荐(0)
【医学影像】《Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning》论文笔记
摘要：这篇论文的作者是张康教授为首的团队，联合国内外众多医院及科研机构，合力完成，最后发表在cell上，实至名归。 从方法的角度上来说，与上一篇博客中的论文很相似，采用的都是InceptionV3模型，同时都用了海量的数据，而海量的数据，也是我认为这两篇文章的最主要贡献。 【论文出发点】视网膜疾病困扰着成 阅读全文
posted @ 2019-01-17 14:52 wuzeyuan 阅读(1670) 评论(0) 推荐(1)
【医学影像】《Dermatologist-level classification of skin cancer with deep neural networks》论文笔记
摘要：这是一篇关于皮肤癌分类的文章，核心就是分类器，由斯坦福大学团队发表，居然发到了nature上，让我惊讶又佩服，虽然在方法上没什么大的创新，但是论文本身的工作却意义重大，并且这篇17年见刊的文章，引用量已经达到1300多，让人佩服，值得学习。 【出发点】现有的皮肤癌分类系统由于数据量不够，同时只针对标 阅读全文
posted @ 2019-01-13 23:18 wuzeyuan 阅读(2649) 评论(0) 推荐(2)
【语义分割】PSPNet中PSP模块的pytorch实现
摘要：github地址：https://github.com/Lextal/pspnet-pytorch/blob/master/pspnet.py PSP模块示意图如下 代码如下 此外，我基于自己的工作稍加修改，也给出一个3D版本。改动有几处，一是3d卷积和池化，二是上采样由双线性插值切换为trilin 阅读全文
posted @ 2019-01-05 15:52 wuzeyuan 阅读(7433) 评论(1) 推荐(1)
对结构化学习（structured learning)的理解
摘要：接触深度学习以来一直接触的概念都是回归，分类，偶尔接触到结构化学习的概念，似懂非懂的糊弄过去，实在是不负责的表现 翻阅维基百科https://en.wikipedia.org/wiki/Structured_prediction，有些理解了 相比于回归，输出一个标量或者预测，输出一个向量，结构化学习 阅读全文
posted @ 2019-01-01 19:39 wuzeyuan 阅读(5411) 评论(0) 推荐(1)