Zhao Qihao

**主线** - PDIFF的试炼 - [x] 找一篇ICCV，AAAI的噪音方面SOTA有源码文章 - [ ] 运行原论文代码，替换PDIFF网络结构，跑结果 - [ ] 比不过的把PDIFF当作原方法的优化，改代码跑结果 - 实例分割的探索 - [x] 运行Polarmask - [ ] 剖析mmdetecton源码，找到36边形生成方法，看如何更改 - [ ] 写生成外接36边形生成算法 - [ ]...

**Review** - 写了一些pdiff项目的脚本文件，把之前黄杨昱丢失的模型又跑了一遍，整理了一份代码，模型提交了上去 **next** - 电脑系统坏了重装了系统配一下环境 - 补一下之前忙项目没写的数学作业

**review** - 赶ddl，对于pdiff项目又加了一些噪音比实验，最后实验都补齐了 - 上课做作业 - 想到一个评价细胞相似的一个方法，需要做一下实验看有用性 **next** - 主要是关于pdiff，把之前的实验中数据准备、运行测试脚本都要重构一遍，复现一遍之前黄扬昱的丢失的实验结果，把代码和模型公布出去，22号前提交。 - 做作业

**Review** - 在自己制作的噪声数据集（mnist，cifar10，cifar100）上，用的pdiff和co-teaching已经拿到了实验结果pdiff优于coteaching。改写的《learning to reweighting》论文中的tf代码到pytorch，复现完成，但是跑不到baseline，在找bug - 关于pdiff在clothes1M上的实验，找到了loss震荡的问题，训练时没有打乱数据集。。用的resnet50预训练模型，学到了一些fune-tuning的方法，目前正在跑两个baseline和三个不同超参下的结果 - 复习《人工神经网络》 **Next** - pdiff实验接近尾声，主要是在clothes1M上调一个好结果，reweighting实验再看看论文找一下bug。对比的mentornet尽量改掉模型换数据集，代码还没怎么看，有空和嘉润交流一下 - 写写语义分割接一下p城数据集

**Review** - PIDFF 实验环境caffe 1.在（cifar-10， cifar-100， mnist） 跑了vgg16实验，制作基于测试混淆矩阵的噪音数据集（ratio=0.4） 2.下载了clothes1M数据集传到了服务器，配置好了resnet50模型，准备跑PDIFF实验 - 准备组会报告（不足：思路没有整理清晰，细节问题没有思考清楚） **Next** 1.在新的混淆矩阵数据集上跑PDIFF实验 2.在clothes1M上跑PDIFF实验 3.阅读coteaching、metorNet部分代码，后面需要接数据跑结果 4.前两个实验运行起来之后写一写多任务网络

**review** - 设计了一个多任务网络，主干是提升遥感语义分割效果，子任务提高阴影部分效果 - PDIFF实验 **next** - PDIFF实验 - 组会报告

**本周** - 学习caffe - 生成了文件夹只有海和陆图像的标签，用resnet+unet在训练 **下周** - 做pidff项目的实验 - 设计多任务模型

**上周** - 和胡老师针对论文里Py和delta问题做了一些讨论，阅读了《A closer look at memorization in deep networks》 - 收集了一些sci写作框架素材，看了一些mxnet语法 - 对海陆比赛数据集增加了一些标签 **下周** - 学习caffe - 修改代码准备对比赛训练 - 修改并运行mxnet代码

**Review** - 完成了全连接网络，拟合了sin曲线[代码](https://github.com/fistyee/simple_cnn/blob/master/neural_network_sin.ipynb) - 学习深度强化学习，做作业 - 看CCCV论文 **Next** - 准备组会报告

**Review** - 完成了腾讯在线文档中的pytorch 60min教程与python可视化方法 - 学习深度强化学习 - 阅读《SeedNet: Automatic Seed Generation with Deep Reinforcement Learning for Robust Interactive Segmentation》 概述:交互式分各中，自动生成前景与背景点 过程:使用Random Walk分割算法作为现成的交互分割算法。用户先输入一个前景与背景点，通过这个RW算法得到的分割二值图和原图像一起作为DQN网络的输入，然后DQN网络输出新的种子(前景/背景点)信息，新的种子信息包括位置和标签（属于前景/背景）。最后，新产生的种子点加入并更新原先的种子图。此外，再把更新完的种子信息和原图像放在一起，用RW分割算法求出新的二值图。新的二值图一方面与GT mask进行损失计算得到Reward值，另一方面需要和原图像一起作为DQN新的输入。 **Next** - py完成全连接神经网络并拟合sin曲线 - 学习深度强化学习课程整理论文，学习pytorch的DQN[教程](https://pytorch.org/tutorials/intermediate/reinforcement_q_learning.html) - 阅读[《Interactive...