一、Multi-Stage Pathological Image Classification using Semantic Segmentation
1.研究问题：
大分辨率病理图像的分辨率较大，一般的处理方法是将其拆分送进网络分类。本文认为这样做没有利用全局信息，分类性能较差，所以提出了一种利用全局信息的新思路。
2.研究思路：
经过每个小块的分类之后，每个小块都会得到一个类别的概率。类比于图像，其实每个小块都可以视为一个像素点，这样就可以考虑全局信息，故本文提出，利用每个块的特征向量，将其类别为图像的像素点，送入分割网络进行分割。
3.网络构建：
网络分为两部分，第一部分是分类网络，用于得到特征向量，第二部分为分割网络，用于得到最终的结果。如图所示：
网络的关键在于如何优化，有两种思路，第一种思路是分别优化，即分别训练两个网络；第二个思路是进行端到端的训练，由于直接训练太过于耗费资源，文章提出只利用必要的结果，其余全部丢弃。反向传播这里使用了一种巧妙的转换，由于，这里
是分割网络的输入，由于
可以直接得到，可以利用其进行第一个网络的反向传播，只需要设置第一个网络的损失函数为
即可。
二、Scale-Aware Trident Networks for Object Detection
1.研究问题：
众多研究表明，网络的深度、下采样率以及感受野都会影响检测网络的性能，但感受野少有人讨论，本文针对于感受野，设计了适应目标尺度的网络。
2.研究思路：
目标尺度有大有小，如果采用空洞卷积可以有效扩大感受野，提升检测性能，但不适用于小目标，因此需要设计多路感受野不同的网络。
3.网络构建：
前面公用一个网络，后面分成三个条支路，每条支路的空洞率不同。需要注意的是，这里采用了共享参数的机制，一方面能够减少参数，另一方面也可以用统一的表征能力来适应不同的尺度。之后采用了尺度感知机制训练，即不同尺度的目标送进不同支路进行训练。
三、Building Damage Detection in Satellite Imagery Using Convolutional Neural Networks
1、研究问题：
建立受灾建筑检测网络，以便及时启动相关的预案，本文并非针对网络进行创新，而是努力实现相关算法的落地。
2、任务实现流程：
1）数据集由卫星图获取，专业人员标注受灾建筑，获得正样本，负样本通过检测算法挑选。
2）数据预处理和清洗遵循最低限度，以便减少劳动力密集型的任务，及时对受灾进行响应。
3）数据集的输入经过比较，采用经过卷积处理受灾前后图片的向量差。
4）为了保证网络的泛化能力，数据集总共包含了三个，使用其中两个与第三个的一折作为训练集，第三个的其余折作为测试集。
