Mar, 2014

使用现成的 CNN 特征：作为识别的惊人基线

PDF
TL;DR本文实验证明了从卷积神经网络提取的图像特征在视觉识别领域具有很强的优势，对于图像分类、目标识别、深度学习等领域均有应用价值。
convolutional neural networksimage classificationobject recognitiondeep learningfeature representation
发现论文，激发创造
  • OverFeat: 使用卷积网络集成识别、定位和检测

    本文提出了一个基于卷积网络进行分类、定位和检测的综合框架，展示了如何在 ConvNet 中高效实现多尺度和滑动窗口方法，并通过学习预测目标边界来实现定位，最后释放了我们最佳模型的特征提取器 OverFeat。

    Dec, 2013

  • 准确物体检测与语义分割的丰富特征层次结构

    提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN，它与 CNN 结合起来使用更高的上下文信息，加上有监督的预培训方法，实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。

    Nov, 2013

  • 多层神经网络在物体识别中的性能分析

    本文探讨了卷积神经网络在计算机视觉问题中的特征学习，主要关注 CNNs 和工程化表示（如 SIFT 和 HOG）之间的差异。

    Jul, 2014

  • 卷积神经网络中的特征表示

    本文旨在深入探究 CNN 中的特征方面，发现 CNN 特征映射可用于随机森林和 SVM，以产生超越原始 CNN 的分类结果；使用较低层次的特征可以获得更好的分类结果。

    Jul, 2015

  • 卷积神经网络（CNN）在食品图像识别中的应用

    通过构建一个 5822 张图片数据集并使用五层 CNN 网络结构，利用几何变换的数据扩充技术来提高训练图片的数量，利用支持向量机（SVM）和 Bag-of-features（BoF）来进行食品图片识别，最终达到超过 90% 的准确率，有效避免 CNN 过度训练问题。

    Dec, 2016

  • 深度卷积网络在文件图像分类和检索中的评估

    本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术，证实与手工制作的替代方法相比，能够更好地学习抽象特征，且具有压缩鲁棒性和跨领域迁移性，并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。

    Feb, 2015

  • 使用深度神经网络实现可扩展的物体检测

    该研究提出了一种基于显著性启发的神经网络模型，可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框，而不需要针对每个实例复制输出，并在 VOC2007 和 ILSVRC2012 上获得了具有竞争力的识别性能。

    Dec, 2013

  • 图像检索的基于选择性深度卷积特征

    本文提出了一种新颖的框架用于图像检索，通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题，并采用最新的嵌入和聚合方法进一步提高特征可区分性，从而达到了最先进的检索准确度。

    Jul, 2017

  • 学习卷积神经网络进行人脸反欺骗

    本研究采用深度卷积神经网络（CNN）学习特征，在经过数据预处理后，能够大幅提高面部防欺诈性能，使得在 CASIA 和 REPLAY-ATTACK 数据集中相对错误率降低超过 70％，同时在两个数据集之间的交叉测试中，实验结果表明 CNN 能够获得更好的泛化能力，使用两个数据集的组合数据训练的网络在两个数据集之间具有更少的偏差。

    Aug, 2014

  • CNN 为什么在特征提取方面表现出色？数学解释

    该研究提出了一种新的基于特征提取的图像分类数学模型，并通过构建分段线性函数以检测特征的方式证明卷积神经网络可以零误差地解决这些图像分类任务。

    Jul, 2023