ZJU_CVs Blog

CV Learning and Paper Reading.

Unsupervised Learning for Cell-Level Visual Representation in Histopathology Images With Generative Adversarial Networks

1. Introduction 利用生成对抗网络对组织病理学图像中cell-level视觉表现进行无监督学习。所提出的模型没有标签，易于训练，能够进行cell-level的无监督分类 2. Method Cell-level Visual Representation Learning Training Processing ...

Posted by JY on March 11, 2020

Unsupervised Learning

无监督学习介绍

1. Introduction 介绍 (1). Supervised Learning VS Unsupervised Learning Supervised Learning Unsupervised Learning Data (x,y) —- x is data, y i...

Posted by JY on February 7, 2020

Transfer Learning

迁移学习介绍

Ref Book:《迁移学习简明手册》王晋东 Ref: [1]. Understanding How Feature Structure Transfers in Transfer Learning [2]. A Survey on Transfer Learning [3]. A Survey on Deep Transfer Learning 1. Intr...

Posted by JY on February 6, 2020

Image Segmentation

图像分割介绍

1. Introduction 介绍图像分割是将图像细分为多个图像子区域的过程，使得图像更加易于理解和分析。图像分割主要用于定位物体的边界，即将每个像素进行分类，使得同一物体具有共同的类别属性，即可展现出共同的视觉特性。分割时一般会使用某种属性(颜色、亮度、纹理等)的相似度量方法，使得同一个子区域中的像素在此方法的计算下都很相似，而不同区域则差异很大。——类内差异小，类见...

Posted by JY on February 5, 2020

Image Generation

图像生成介绍

1. Introduction 介绍 (1). 判别模型 vs 生成模型以图像数据为例判别模型的形式主要是根据原始图像推测图像具备的一些性质（例如根据数字图像推测数字的名称、根据自然场景图像推测物体边界生成模型通常给出的输入是图像具备的性质，而输出是性质对应的图像。生成模型相当于构建了图像的分布，因此利用生成模型，可以完成图像自动生成（采样）、图像信息补全等工作。 (...

Posted by JY on February 5, 2020

Image Classification

图像分类介绍

1. Introduction 介绍图像分类主要解决如何将图像按视觉特点分为不同类别的问题。其是计算机视觉中的基础任务，也是图像检测、图像分割、图像搜索等高级任务的根本。 2. Challenge 困难和挑战多视角：收集同一个物体图像，获取的角度是多变的；尺度：在现实生活中，很多物体的尺度都是千变万化；遮挡：目标...

Posted by JY on February 3, 2020

Few-shot/One-shot/Zero-shot Learning

少样本/零样本学习介绍

在迁移学习中，由于传统深度学习的学习能力弱，往往需要海量数据和反复训练才能具有泛化能力。 1. Few-shot learning and One-shot learning Ref: Few-shot Learning: A Survey (1). 介绍 Introduction Few-shot learning(FSL)通过结合先验知识来学习有限监督信息的新任务。应用：...

Posted by JY on February 2, 2020