Deep Residual Learning for Image Recognition(CVPR2016)

方法

resnet經典，使網絡變得更深

Densely Connected Convolutional Networks（CVPR2017）

方法

每一層之間互相連接

EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks（ICML2019）

方法

相當于是在相對較小的參數下衡量最好的規模（長寬深度以及分辨率）

Res2Net: A New Multi-scale Backbone Architecture

方法

相當于是多規模

Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation

方法

我沒理解錯誤的話相當于是保留上幾步的操作的單元，類似于RNN思想

Contrastive Learning of Medical Visual Representations from Paired Images and Text

本文方法

RegNet: Self-Regulated Network for Image Classification

本文方法

可以借鑒的一個方法

Large-scale Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification（ICCV2021）

方法

相當于是以AUC為目標的優化，原理就不解讀了，不是很簡單
代碼地址

Attention Gated Networks:Learning to Leverage Salient Regions in Medical Images

本文方法

相當于就是得到一個注意力系數，這個系數是關于兩張特征圖的

Tensor Networks for Medical Image Classification（MIDL2020）

方法

對張量進行操作的

SKID: Self-Supervised Learning for Knee Injury Diagnosis from MRI Data

方法

看代碼是最好的

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

方法

就是深度學分離卷積減少參數

MobileNetV2: Inverted Residuals and Linear Bottlenecks（CVPR2018）

方法

和一代相比，參數量減少，增加了殘差

VIT：An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale（ICLR2021）

方法

來源于自然語言，不是很復雜，了解一下注意力計算就差不多了

CSPNet: A New Backbone that can Enhance Learning Capability of CNN

方法

看看代碼就差不多了

Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization

本文方法

相當于就是通過梯度得到可解釋性的結果

SIMCLR：A Simple Framework for Contrastive Learning of Visual Representations

本文方法

兩種不同的數據增強做一個對比損失

Going Deeper with Convolutions

本文方法

Squeeze-and-Excitation Networks

方法

SE模塊