同时，将本学期的学习任务，随本周周报一起上传。任务要求：阅读文献（篇数）、掌握工具（具体程度）、复现代码（文献中的经典模型）、具体收获、创新点（总结、思路及举一反三的想法等）、痛点问题（从阅读文献中得到、悟出、生活学习中感受、新闻媒体中得出、其他各种途径中获得）、其他任何具体可以量化的学习任务等，上传本群。我会在学习结束时，进行一定的考核。

每个月阅读文献篇数：10篇，其中7篇精读，3篇略读。主要方向：图像分割方向，骨干网络的总结 具体收获：

掌握工具（具体程度）：numpy ，pytorch（熟悉常用的库）

目前已经读文献：

• A ConvNet for the 2020s

• Medical image segmentation using deep learning: A survey 很好的一篇综述文献，从骨干网、功能模块、损失函数三个方面介绍了医学分割的监督学习方法。骨干网络主要介绍了

• Deep Residual Learning for Image Recognition 提出经典的ResNet。延伸变种非常多。 创新点：提出了残差结构，解决了梯度爆炸的问题。ResNet结构至今活跃在各种SOTA模型中，可迁移运用的能力很强。

• Attention U-Net: Learning Where to Look for the Pancreas Attention UNet同样是一个重要的UNet改进网络，　

• CBAM: Convolutional Block Attention Module 运用广泛的CBAM模块。　

• CE-Net: Context Encoder Network for 2D Medical Image Segmentation

• Class Re-Activation Maps for Weakly-Supervised Semantic Segmentation

Inception系列：

• DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs Inceptino v1经典的系列。　

• Xception: Deep Learning with Depthwise Separable Convolutions 这个系列重要的思想是解耦。把各个卷积功能解耦到小的功能块中。主要学习：如何把结构迁移运用到新的框架上。

• Squeeze-and-Excitation Networks SqueezeNet同样是很重要的网络，涉及压缩和提取的网络。　

• $U^2$-Net: Going Deeper with Nested U-Structure for Salient Object Detection Backbone是UNet，把每一个下采样模块替换成UNet就构成了U$^2$-Net。

计划继续读的文献：

• BiSeNet
• TransUNet
• SwinUNet
• DANet 阅读目标：学习注意力机制和CNN结合使用的方式：并联、串联，或者把Encoder替换成注意力机制，把Skip-Connetion提出

复现代码：

• 上个学期复现 LeNet5
• 这个学期复现 U$^2$-Net

2023/4/23 周报