论文地址：https://arxiv.org/abs/2201.11279代码地址：https://github.com/zudi-lin/rcan-it论文小结  本文的工作，就是重新审视之前的RCAN，然后做实验来规范化SR任务的训练流程。  此外，作者得出一个结论：尽管RCAN是一个非常大的SR架构，拥有超过400个卷积层，但作者认为限制模型能力的主要问题仍然是欠拟合而不是过拟合。  增加训练迭代次数，能明显提高模型性能。而应用正则化技术通常会降低预测结果。作者将自己的模型表示为RCAN-it。（ResidualChannelAttentionNetwork，-itstandsforim

论文地址：https://arxiv.org/pdf/2106.11959.pdf项目地址：GitHub-yandex-research/rtdl-revisiting-models:(NeurIPS2021)RevisitingDeepLearningModelsforTabularData相关数据：https://www.dropbox.com/s/o53umyg6mn3zhxy/ 一、论文概述现有的关于表格数据做深度学习的模型层出不穷，但是作者认为，由于在真实使用模型时有着不同的基准以及实验场合，这些提出的模型没有被很好地比较。因此，论文作者在论文中对各类模型进行了综述，并且自身提出了一

[论文地址][代码][MICCAI23]Abstract息肉的准确分割是筛查过程中有效诊断结直肠癌的关键步骤。由于能够有效捕获多尺度上下文信息，普遍采用类似UNet的编码器-解码器框架。然而，两个主要限制阻碍了网络实现有效的特征传播和聚合。首先，跳跃连接仅将单个尺度特征传输到解码器，这可能导致特征表示有限。其次，特征在没有任何信息过滤器的情况下被传输，这对于在解码器处执行特征融合来说效率低下。为了解决这些限制，我们提出了一种新颖的特征增强网络，它利用特征传播增强和特征聚合增强模块来实现更有效的特征融合和多尺度特征传播。具体来说，特征传播增强模块将所有编码器提取的特征图从编码器传输到解码器，而特