1 Python
- MOOC北京理工大学《Python语言程序设计》课程学完(包含11章内容7个库16个实例)，笔记记录在幕布；
- 读完了《Python编程从入门到实践》这本书(包含Python基础知识和3个项目实战)，笔记补充进上一条的幕布；
- 对Python常用的操作方法和函数做了整理，记录在幕布；
- 学习Python在图形用户界面的应用，用PyQt5库做了一个简易信号与系统教学实验界面，撰写了一篇关于该系统的教改论文(未完成)。
2 数据结构
- B站上北京大学《数据结构与算法分析(Python版)》课程看完，笔记记录在幕布；
- Leetcode刷了一些数据结构题目，笔记记录在word中，题目类型划分记录在幕布。
3 离散数学
- B站上北京大学《离散数学》课程看了集合论和图论，但是基本没懂，笔记在打印的PPT上；
- 读《离散数学及其应用》这本书，书中例题有看，但是每节练习题都没做，书没看完。
4 数学建模
- B站上清华大学基础课程看了一些，笔记记录在幕布；
- B站小石老师建模算法课程看完，笔记记录在幕布，代码在文件夹中；
- B站Python在数学建模中的应用课程看了PPT，笔记记录在幕布，代码在PPT上；
- 看了几份历年真题和优秀论文，总结了题目框架和解题思路在幕布；
- 成功参赛2020年中国研究生数学建模竞赛，完成了B题(汽油辛烷值优化建模)解题和论文撰写。
5 机器学习
- 周志华《机器学习》西瓜书学习，整理了电子版学习框架在blog，具体笔记在书上。
6 深度学习
- 李沐《动手学深度学习》只看了关于卷积神经网络和计算机视觉方面的东西；
- 看了《神经网络和深度学习》这本书，了解神经网络相关知识。
7 图像处理
- 看《机器视觉技术》这本书，整理电子版学习框架在word，具体笔记在本子上；
- 学会用Python的PIL库进行图像处理，详情在blog；
- 学会使用Pytorch中的图像预处理包torchvision.transforms对训练样本进行图像增强。
8 计算机视觉
8.1 图像分类
- 学习了卷积，池化，激活函数，优化算法，损失函数，以及如何缓解过拟合，如何提高计算性能等；
- 学习8个卷积神经网络模型，读了其中5个网络的经典论文。8个卷积神经网络模型分别是：LeNet，AlexNet，VGG，NiN，GoogLeNet，ResNet，DenseNet，MobileNet；
- 学习了如何用Pytorch，Tensorflow，MXNet编写程序构建上述网络模型，学会了迁移学习和微调；
- 搜集了若干图像分类的数据集，总结在excel表格中；
- 学会了用Pytorch编写读取数据集的不同方法；
- 学习图像增强：调用DataLoader实例进行数据读取，提供tranform函数将图像增强应用到训练样本；
- 在不同数据集上跑AlexNet网络代码进行训练和测试；
- 学习使用多GPU训练模型-Pytorch；
- 总结图像分类性能提升方案在blog中。
8.2 目标检测
- 下载并了解了目标检测数据集PASCAL VOC的构成；
- 学习了10个目标检测算法，读了这10个算法的经典论文和一篇目标检测性能提升方案的论文Bag of Freebies。10个算法分别是:R-CNN, Fast R-CNN, Faster R-CNN, SSD, YOLOv1, YOLOv2, YOLOv3, YOLOv4, RetinaNet, Mask R-CNN。
- 学习如何用Pytorch编写程序实现Faster R-CNN、SSD、YOLOv3 SPP、YOLOv4等算法，下载并读了代码；
- 学习如何计算目标检测结果的mAP值，了解了COCO官方目标检测结果的评价指标。
8.3 语义分割
- 学习了很多语义分割网络，包括FCN、U-Net、UNet++、UNet3+、Attention U-Net、R2U-Net、SA-UNet、SegNet、PSPNet、DeepLab V1~V3+等。
- 读基础网络改进策略的相关论文，包括融合attention的改进，融合Transformer的改进，融合半监督GAN的改进，超像素分割优化等。（也有读到关于融合金字塔结构，融合图卷积，域自适应，弱监督、无监督的相关策略，但是没有深入了解）
- 全面了解了语义分割中的注意力机制，即如何进行像素点之间的相关性建模，读了相关论文，包括Non-local，PSANet，DANet，CCNet，DGMN，Local Relation Network等。以及了解了如何进行像素特征低秩重建，即像素到语义节点的映射与节点到像素的反映射（压缩与反压缩），读了相关论文，包括A2Net，SGR，Beyonds Grids，GloRe，LatentGNN，APCNet，EMANet等。
- 做了视网膜血管分割的实验，所用数据集为DRIVE，训练过的网络有：U-Net，U-Net++，R2U-Net，Attention U-Net和Attention R2U-Net，并且进行了性能评估。尝试利用语义分割性能改进策略进行实验，使用不同损失函数训练网络，并做了结果评估。
