論文閱讀：Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level se
【論文資訊】
Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level set
Int J CARS (2008) 3:257–265
DOI 10.1007/s11548-008-0230-9
【背景】
一直到2008年，大多數研究都是針對的X光影象，對於三維資料的研究還比較少。
綜述裡面提到了一些以前的方法。有借鑑價值。比如積分投影。
作者之前做過一個水平集牙齒分割
【方法】
先用閾值分割和水平集得到牙齒區域，生成全景圖。
在全景圖上用考慮角度的兩次積分投影來得到牙齒包圍盒。然後以包圍盒邊界為初始化進行水平集分割。水平集模型很古老，最簡單的邊界長度面積驅動的模型。
還用巴特沃斯低通濾波減輕了CT偽影。
最後的實驗部分幾個測度都比較古老。
【討論&啟發】
08年的文章還是很單純的，方法的細節都講得很仔細；不像現在的已經不行了，比較水。
相關推薦
論文閱讀：Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level se
【論文資訊】 Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level set Int J CARS (2008) 3:257–2
論文閱讀：Combining volumetric dental CT and optical scan data for teeth modeling
【論文資訊】 Combining volumetric dental CT and optical scan data for teeth modeling 2015 CAD contribution： CT結合網格，新穎 協同分割，graph-cut
論文閱讀：Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour
論文首先提出了神經網路訓練的一個不好的現象：batch size的增大到一定程度，ResNet的分類準確率會下降。這個現象推翻了我以前的一個直覺：覺得batch size大，訓練的效果會更好。 為了加快訓練的速度（增大batch size）同時保證準確率，論文
論文閱讀：Attention to Scale: Scale-aware Semantic Image Segmentation
注意力機制其實就是對feature map做加權，且加權的權重在訓練的時候學習的。 很多語義分割網路融合了多尺度（多解析度）的特徵，但方法不盡相同。一種常見的結構是SPP（Spatial Pooling Pyramid），另一種方法則是使用不同解析度的分
論文閱讀：Automatic Tooth Region Separation for Dental CT Images
【論文資訊】 Automatic Tooth Region Separation for Dental CT Images Hui Gao 2008 年發表的會議論文 【背景】 提出了該領域研究內容：In order to reconstruct eac
論文閱讀：Unsupervised Domain Adaptation for Face Recognition in Unlabeled Videos
概述： Unsupervised Domain Adaptation for Face Recognition in Unlabeled Videos，ICCV 2017的文章，實現的是用domain adaptation技術將沒有label 的視訊資料遷移到圖片識別網路中
論文閱讀：Memory Networks
users 方式 article div local 網絡 ava auto data- 一、論文所解決的問題 實現長期記憶（大量的記憶），而且實現怎樣從長期記憶中讀取和寫入，此外還增加了推理功能 為什麽長期記憶非常重要：由於傳統的RNN連復制任務都不行，LST
leetcode算法： Average of Levels in Binary Tree
變量 2.4 size def pla etc xpl 二維數組 level Given a non-empty binary tree, return the average value of the nodes on each level in the form of
論文閱讀：A Primer on Neural Network Models for Natural Language Processing（1）
選擇 works embed 負責 距離 feature 結構 tran put 前言 2017.10.2博客園的第一篇文章，Mark。 由於實驗室做的是NLP和醫療相關的內容，因此開始啃NLP這個硬骨頭，希望能學有所成。後續將關註知識圖譜，深度強化學習等內
論文學習：Overview of the High Efficiency Video Coding Standard
需求 rev creating ace 要點 ransac 保持 https asi Souce IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY, VOL. 22, NO. 12, DECEMB
ECCV 2018 論文閱讀筆記——Acquisition of Localization Confidence for Accurate Object Detection
目標檢測涉及到目標分類和目標定位，但很多基於 CNN 的目標檢測方法都存在分類置信度和定位置信度不匹配的問題。針對這一問題，一種稱之為 IoU-Net 的目標檢測新方法被提出，在基準方法的基礎上實現了顯著的提升。該論文已被將於當地時間 9 月 8
【論文閱讀】Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization
簡述 看這篇論文，並實現一下這個。（如果有能力實現的話） 實時任意風格轉換（用自適應Instance Normalization） instanceNorm = batchsize=1 的 batchNorm 1 Abstract Gatys et al
論文閱讀：Disentangled Representation Learning GAN for Pose-Invariant Face Recognition
ICCV2017的文章，主要使用multi-task的GAN網路來提取pose-invariant特徵，同時生成指定pose的人臉。 下載連結： 作者： Motivation： 對於大pose的人臉識別，現在大家都是兩種方案：1 先轉正再人臉識別。2 直接學習
【論文閱讀】Bag of Tricks for Image Classification with Convolutional Neural Networks
Bag of Tricks for Image Classification with Convolutional Neural Networks 論文：https://arxiv.org/pdf/1812.01187.pdf 本文作者總結了模型訓練過程中可以提高準確率的方法,如題，
論文閱讀：You Only Look Once: Unified, Real-Time Object Detection
Preface 注：這篇今年 CVPR 2016 年的檢測文章 YOLO，我之前寫過這篇文章的解讀。但因為不小心在 Markdown 編輯器中編輯時刪除了。幸好同組的夥伴轉載了我的，我就直
目標檢測論文閱讀：Relation Networks for Object Detection
Relation Networks for Object Detection 論文連結：https://arxiv.org/abs/1711.11575 程式碼連結：暫無，尚不清楚是否會公開 這個是CVPR 2018的文章，雖然並沒有什麼巧妙的設
論文閱讀：Deep MANTA: A Coarse-to-fine Many-Task Network for joint 2D and 3D vehicle analysis
這篇論文是在2017年3月22日發表在CVPR上的，作者在這篇論文中提出了一個叫做深度從粗糙到精細化的多工卷積神經網路（Deep MANTA），該模型可以用於對一張圖片中的車輛進行多工的分析。該網路同時執行的多工包括：車輛檢測、部件定位、可見性描述和三維形
論文閱讀：Multiple Object Tracking Using K-Shortest Paths Optimization, PAMI2011
引文： 多目標跟蹤問題通常分為兩步：第一步是與時間無關的目標檢測，即針對每一視訊幀檢測出目標出現的位置，以及在這些位置上出現的置信度；第二步是在時間軸上連線候選目標形成軌跡，在生成軌跡時要儘可能保證同一條軌跡上的所有目標對應同一個真實物體，軌跡數量對應目標
目標檢測論文閱讀：Cascade R-CNN: Delving into High Quality Object Detection
Cascade R-CNN: Delving into High Quality Object Detection 樣本減少引發的過擬合 在train和inference使用不一樣的閾值很容易導致mismatch(這一點在下面會有解釋) 作者為
目標檢測論文閱讀：Deformable Convolutional Networks
ans 過程 上層 適合 其他 簡易 基礎上 可能 代碼 https://blog.csdn.net/qq_21949357/article/details/80538255 這篇論文其實讀起來還是比較難懂的，主要是細節部分很需要推敲，尤其是deformable的卷積如何實