Challenge淋巴细胞是白细胞的一个亚种，在免疫系统中很重要。患病或有异物的区域淋巴细胞数量会极大增加，所以通过确认和定量淋巴细胞的密度和位置有助于评估疾病。淋巴细胞在吸收了着色剂后呈淡蓝色，在色调上与细胞核相近，所以在某些情况下难以区分。但是淋巴细胞一般要更小，分布更密集，形状也偏圆形。本节目标是确...

Challenge细胞核形态是多数癌症定级中重要的依据，所以需要进行细胞核分割。近期研究发现检测细胞核的技术趋于成熟，但是发现它们的精确边界或者分离开有重叠区域的细胞核还是比较困难。生成训练图像块也要注意，一般用标识好的图像生成二值掩码，然后从正/负区域随机剪切产生正/负样本，但是负样本中可能包含未标记的正...

背景： 深度学习（deep learning, DL）是一种表示学习方法，非常适合用来处理数字病理学（digital pathology, DP）中的图像分析问题。DP中有各种图像分析任务，包括检测和计数（例如有丝分裂）、分割（例如细胞核）、组织分类（例如癌/非癌）等等。但是由于产生数字病理学图像的过程（制片、着色、扫描）和供应商平台的...

本文提出一种计算效率极高的CNN架构——ShuffleNet，主要应用于计算能力有限（例如10-150 MFLOPs）的移动设备中。ShuffleNet架构中利用了两个新的操作，逐点分组卷积（pointwise group convolution）和通道重排（channel shuffle），在保持准确率的前提下极大地减少计算量。在ImageNet分类和MS COCO检测任务上的实验表明，...

卷积神经网络顾名思义就是依赖卷积操作，使用局部感受区域（local receptive field）的思想融合空间信息和通道信息来提取包含信息的特征。有很多工作从增强空间维度编码的角度来提升网络的表示能力，本文主要聚焦于通道维度，并提出一种新的结构单元——“Squeeze-and-Excitation(SE)”单元，对通道间的依赖关系进行建模，可...

Dual Path NetworksYunpeng Chen, Jianan Li, Huaxin Xiao, Xiaojie Jin, Shuicheng Yan, Jiashi Feng

近期的一些工作表明，如果在网络层之间加上快捷连接（shorter connections），那么卷积网络可以设计得更深层、取得更高的准确率、训练也更高效。本文提出一种密集卷积网络（Dense Convolutional Network，DenseNet），网络中的层会与它之前的所有层直接连接。具有L层的传统卷积网络中有L条连接，而DenseNet中有L(L+1)/2...

深度残差网络可以扩展到上千层，并且仍然能够提升性能。但是，每提升1%的准确率就要付出将网络层数翻倍的代价，而极深层的残差网络对特征的重复利用逐渐减少（diminishing feature reuse），这会使网络训练变得很慢。为了处理这个问题，本文提出一种新的架构——wide residual networks (WRNs)，该架构减小残差网络的深度...

本文提出一种高度模块化并易于搭建的网络架构，网络中使用的基本构件（building block）都是一组具有相同拓扑结构的变换的聚合。这种同结构多分支的设计理念只需要设置很少的超参数。本文提出的策略也引入了一个新的维度——“基数（cardinality）”，也就是同属一个block的变换的数量，这是一个和网络深度、宽度同等重要的...

近期已经涌现出很多以深度残差网络（deep residual network）为基础的极深层的网络架构，在准确率和收敛性等方面的表现都非常引人注目。本文主要分析残差网络基本构件（block）中的信号传播，我们发现当使用恒等映射（identity mapping）作为快捷连接（skip connection）并且将激活函数移至加法操作后面时，前向-反向信...

越深层的网络往往越难以训练。本文提出一种残差学习框架，使得比先前网络深的多的网络也易于训练。我们将网络中的层改写为在参照该层输入的情况下学习残差函数的形式，替换之前那种无参考学习的方式。我们通过大量实验证明这种残差网络易于优化，并且预测准确率随着网络深度的增加而增大。在ImageNet数据集上使用了一个1...