多层神经网络在物体识别中的性能分析
该研究使用特征打乱的方法,结合 CNNs 的最小可识别构型分析和有效接受域尺寸的系统控制,探索了 CNNs 在对象分类中是否使用特征的空间排列,并且发现它们实际上能够利用相对较远的空间关系进行对象分类,同时证明 CNNs 使用的空间关系程度非常依赖于特定数据集和该数据集中不同类别对象的分类策略也不同。最后,研究还发现 CNNs 只能学习特征的中间粒度的空间排列,这提示了在对象分类中中间层次的形状特征提供了敏感度和特异性之间的最佳平衡点。
Dec, 2022
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
本研究从大数据方面对卷积神经网络进行了分析,并在单个和多个网络模型上提出了有效的融合机制,为大数据从业人员提供了最佳实践,从而在保持计算成本较低的情况下,在基准数据集上取得了最先进的结果。
Aug, 2016
本文提出了一种名为多实例学习卷积神经网络(MILCNN)的弱监督卷积神经网络框架,用于解决深度网络训练数据不足的问题, 将 MILCNN 框架应用于目标识别, 并在三个基准数据集(CIFAR10、CIFAR100 和 ILSVRC2015)上报告了最新成果。
Oct, 2016
通过重新评估小图像物体识别的状态并提出新的 CNN 网络结构,本文发现在保持精度的情况下,最大池化层可以简单地用增加步长的卷积层取代,并引入了一种新型的变体来可视化 CNN 学习到的特征。
Dec, 2014
本文回顾了基于深度学习的目标检测框架,从深度学习和卷积神经网络教程开始,介绍了典型的通用和特定目标检测架构以及改进方法和技巧,并提供了实验数据分析,最后提出了未来研究中的几个有前景的方向和任务。
Jul, 2018
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
该论文提出了一种新的卷积神经网络 (CNN) 架构,通过使用具有不同计算复杂度的多分支网络,在不同的尺度上频繁合并特征,以使用更少的计算实现多尺度特征,并在目标识别和语音识别任务上显著提高了模型效率和性能。
Jul, 2018
本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述,并描述和评估了一些层次分类器。此外,本文还开发了一种可视化分类错误的新方法,并在 CIFAR-100 上量化了一些结果,如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型,它只有 100 万个学习参数,适用于 32x32x3 和 100 类输入,并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。
Jul, 2017