Jun, 2014

Caffe：快速特征嵌入的卷积架构

PDF
TL;DRCaffe 是一个跨平台的深度学习框架，提供了用于训练和部署卷积神经网络及其他深度模型的 Python 和 MATLAB 接口，并通过 CUDA GPU 进行加速，每天可处理超过 4000 万张图像。由伯克利视觉与学习中心维护和开发，用于视觉、语音和多媒体的研究项目和大型产业应用。
caffedeep learningneural networksmedia processingberkeley vision and learning center
发现论文，激发创造
  • 用于动作识别和图像分类的卷积架构探索

    本文探索用于视频静态分析和图像分类的 Convolutional Architecture for Fast Feature Encoding (CAFFE) 软件包，并使用 UCF Sports Action 数据集的视频进行 caffes 特征提取流程。结果表明，caffe 在类似测试中的表现优于 overfeat。

    Dec, 2015

  • 咖啡因 FPGA：用于卷积神经网络的 FPGA 框架

    本文介绍了一种修改版 CNN 框架 Caffe，该框架支持 FPGA 实现，并使用 Xilinx SDAccel 环境实现了基于 FPGA 的 Winograd 卷积引擎，能够与其他运行在主机处理器上的层一起运行几个流行的 CNN 模型，取得了 50 GFLOPS 的成果。

    Sep, 2016

  • 融合深度卷积网络进行大规模视觉概念分类

    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

  • Caffe con Troll: 加速深度学习的浅层思路

    Caffe con Troll 是一种重新构建内部的与现有框架 Caffe 完全兼容的端到端版本，通过 CPU 训练标准批处理优化，可以实现对卷积神经网络的高效训练，并能够训练混合 CPU-GPU 系统。

    Apr, 2015

  • DeCAF：用于通用视觉识别的深度卷积激活特征

    本文介绍了一种基于深度卷积网络提取特征的方法，该方法可以将原来应用于特定任务的深度卷积网络迁移到其他任务中，实现了在多个重要视觉挑战中超越现有技术的效果，并发布了开源工具 DeCAF 和所有相关网络参数。

    Oct, 2013

  • 深度卷积神经网络最近的架构调查

    本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍 CNN 组件的基础理解、当前挑战和应用领域。

    Jan, 2019

  • 具有批量归一化的 ImageNet 预训练模型

    介绍了基于 ImageNet 预训练的卷积神经网络（CNNs）在最先进的方法中的应用，提出了一组新的基于 Caffe 框架的著名最新结构的预训练模型，并且包括 ResNets、AlexNet 和 VGG19 的批归一化变体等模型，优于以前的具有相同架构的模型。

    Dec, 2016

  • 重新思考 Inception 架构在计算机视觉中的应用

    本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法，使卷积神经网络计算效率最大化，并以 ILSVRC2012 分类挑战作为基准，报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络，评估单帧评估的 top-1 误差 21.2％和 top-5 误差 5.6％的显著成果。

    Dec, 2015

  • 卷积神经网络的快速算法

    研究使用 Winograd 最小滤波算法加速卷积神经网络在 GPU 上的训练，以满足自动驾驶汽车行人检测和移动电话图像识别的低延迟和有限资源处理要求。

    Sep, 2015

  • 使用 IntelCaffe 进行高效 8 位低精度卷积神经网络推断

    本文介绍了 IntelCaffe 的高效推断技术以及用于深度学习模型优化的技术，它是第一个支持 8 位低精度推断的 Intel 优化深度学习框架，能够在 Intel Xeon Scalable 处理器上加速卷积神经网络的模型优化过程。该模型的 8 位优化模型可通过一次标定过程从 FP32 模型自动生成，无需进行微调或重新训练，其在 ResNet-50、Inception-v3 和 SSD 上的推断吞吐量和延迟分别提高了 1.38X-2.9X 和 1.35X-3X，精度损失可忽略不计，与 IntelCaffe FP32 基线相比，这些技术还使得吞吐量和延迟分别提高了 56X-75X 和 26X-37X。这些技术已在 IntelCaffe GitHub 进行了开源，并提供了 Amazon AWS Cloud 上重现结果的文物。

    May, 2018