Sep, 2014

大规模图像识别的极深卷积网络

PDF
TL;DR本文通过使用小的卷积滤波器的架构，对不断增加深度的网络的精度进行了全面评估，表明通过将深度推到 16 至 19 个权重层，可以显著提高以往技术水平，并在 ImageNet Challenge 2014 中获得了第一和第二名。我们还证明了该表示法在其他数据集上具有很好的泛化性能，并公开了我们表现最佳的两个 ConvNet 模型，以便进一步研究深度视觉表示在计算机视觉中的应用。
convolutional networkdepthimage recognitionconvolution filtersdeep visual representations
发现论文，激发创造
  • 深入卷积

    该研究论文提出了一种深度卷积神经网络架构 ——Inception，该架构在 ImageNet 图像识别竞赛中取得了新的研究成果，提高了网络的深度和宽度，同时保持计算资源的稳定利用，并基于 Hebbian 原理和多尺度处理原则进行建构。具体表现为 GoogLeNet 网络，在分类和检测领域取得了不错的成绩。

    Sep, 2014

  • 深度残差网络用于图像识别

    本文提出了一种残差学习框架，以优化超过 VGG 网络 8 倍深度的残差网络在 ImageNet 数据集上的分类任务，以及在 COCO 目标检测数据集上取得了 28% 的相对提升。

    Dec, 2015

  • 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

  • 使用深度卷积网络进行精确图像超分辨率

    本研究提出了一种用于单幅图像超分辨率的高精度方法，利用 VGG-net 进行训练，使用 20 个卷积层避免过拟合，训练方法基于小滤波器，只学习残差，并使用极高的学习率。实验表明，该方法在精度上优于现有方法。

    Nov, 2015

  • 基于深度卷积神经网络的图像分类的一些改进

    通过给训练数据增加更多的图像变换、给测试时产生更多的预测和使用应用于更高分辨率图像的补充模型等多种技术，我们改进了目前基于深度卷积神经网络的图像分类流程，并在 Imagenet 大规模视觉识别挑战赛 2013 中获得了前五名，我们的系统分类错误率为 13.55％，相对于上一年的获胜者，出现了超过 20％的相对提高。

    Dec, 2013

  • 原始波形的深度卷积神经网络

    本文提出了一种利用深度卷积神经网络从原始波形数据中直接学习音频模型的方法，通过批归一化、剩余学习和精心设计的下采样实现高效处理音频波形，并在环境声音识别任务中取得了 15% 的性能提升，达到了使用对数 - 梅尔特征的模型的性能。

    Oct, 2016

  • 利用深度网络中的本地特征进行图像检索

    本文研究采用卷积神经网络在图像检索中的应用，通过提取不同层的卷积特征，使用 VLAD 编码转化为一个单一向量，探讨不同层和规模在特征处理中的影响，发现较低的层次和更精细的尺度能够更好地提升图像检索的准确度，同时对比了其他方法，最终取得了业界领先的成果。

    Apr, 2015

  • 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

  • 使用递归卷积网络理解深层结构

    本文考察卷积神经网络中层数、特征图数量和参数数量对模型性能的影响，结果表明，增加层数和参数数量都有明显改善，而特征图数量（和表示的维度）对模型性能影响较小，更应关注这些层中的参数数量。

    Dec, 2013

  • Wider or Deeper: 重新审视 ResNet 模型在视觉识别中的应用

    本文探讨增加深度对神经网络性能提升的边际效益递减问题，提出一种更高效的残差网络结构并在图像分类和语义分割等领域实现了显著优越性能。

    Nov, 2016