摘要： 可将准确率提高若干个百分点，它就是测试时增强（test time augmentation, TTA）。这里会为原始图像造出多个不同版本，包括不同区域裁剪和更改缩放程度等，并将它们输入到模型中；然后对多个版本进行计算得到平均输出，作为图像的最终输出分数。有作弊的嫌疑。这种技术很有效，因为原始图像显示 阅读全文

摘要： from keras.preprocessing import image import imgaug as ia from imgaug import augmenters as iaa sometimes = lambda aug: iaa.Sometimes(0.9, aug) seq = i 阅读全文

摘要： //之后有时间补 1.使用LSTM的思想 2.首先抽取出特征，在每层里使用 阅读全文

摘要： 多尺度的attention机制 阅读全文

摘要： 1.首先使用了一个网络进行初步预测（文章中命名为Bottom-Up CNN) 2.使用一个网络来抽取之前Botton_Up CNN的特征（具体怎么训练的还没看） 3.对于top-Down CNN抽取出的特征进行融合，得到最后的网络 总体网络结构： 阅读全文

摘要： 1.模型结构 改进之处： 2.损失函数 使用SSIM对图片的相似度进行度量，从而产生一个新的loss分量，对于两个分量进行加权得到最后的Loss。 阅读全文

摘要： 1.使用best Inception V3 baseline + random augment (正在运行） 2. 阅读全文

摘要： 1.使用MobileNetV2 (正在运行） 阅读全文

摘要： 自动编码器 可以用于特征的转换（mxnet实现的代码模板） 阅读全文

摘要： 把数据的统计特征作为feature来进行训练 在大多数情况下可以有好的效果。 阅读全文