可变形部件模型是卷积神经网络
本文提出了一种将 Deformable Parts Models 和 Convolutional Networks 相结合的新模型,并使用结构化损失函数进行训练,使得之前作为单独后处理步骤的 NMS 操作成为了模型的一部分,从而使得我们的系统在 PASCAL VOC 2007 和 2011 数据集上实现了竞争性的结果。
Nov, 2014
提出了 DP2MFD 算法,它基于 Deformable Part Models 和深度金字塔特征来检测各种大小和姿态的人脸,通过在深度卷积神经网络上添加归一化层来减少 DPM 在深层特征训练和测试中的差距,通过在四个公开的人脸检测数据集上的广泛实验表明,该方法能够捕捉人脸的有意义的结构,并且比许多竞争性的人脸检测算法表现得更好。
Aug, 2015
本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限,从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块,并且可以通过标准反向传播进行端到端训练,从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。
Mar, 2017
通过使用 Epitomic Convolution、Multiple Instance Learning 方法和显式搜索技术,我们提出了一种能够更好地对不完全尺度和平移下的图像进行识别的深度卷积神经网络,并在 ImageNet 数据集上得到了得到了有竞争力的图像分类和本地化结果以及在 Pascal VOC 2007 基准测试上的对象检测结果。
Nov, 2014
本文提出了 DP-FCN,一种深度学习模型,可专门适应具有可变形部件的对象形状,从而实现目标检测,其主要模块包括:完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块,实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。
Jul, 2017
本文提出了一种结合基于部分模型和深度学习的姿势归一化卷积神经网络方法,以有效地从人物图片中推断人的属性,包括性别、发型、衣着风格、表情和动作,并且在限制条件下,该方法比目前最佳的基于部分模型和全身边框的 CNN 训练方法表现更好。
Nov, 2013
本文提出了一种深度基于部件的模型(DeePM),旨在实现符号对象检测和语义部位定位,通过 PASCAL VOC 2012 数据集上的 20 种物体类别的语义部分注释来完成。DeePM 是基于最先进的 R-CNN 框架的潜在图形模型,通过灵活的类型共享学习对象 - 部分配置的显式表示。我们评估了所提出的方法在 PASCAL VOC 2012 上的对象和部分检测性能,并表明 DeePM 在检测对象和部件方面始终优于 OP R-CNN,并且在对象检测方面获得了比 Fast 和 Faster R-CNN 更好的性能。
Nov, 2015
通过增强 Deformable Convolutional Networks 的变形卷积能力、引入调制机制和特征模仿方案,提高了其在目标检测和实例分割任务中的性能表现。
Nov, 2018
通过使用三维可变形卷积神经网络层(d-convolutions)对未经处理的三维磁共振成像进行分类,本研究表明三维可变形卷积优于标准卷积,具有对数据几何特性的鲁棒性,而首次提出的 dVoxResNet 结构在 MRI 数据分类中表现出很高的潜力。
Nov, 2019
本文介绍了一种基于 R-FCN/DCN 神经网络架构的新型乳腺 X 光的深度学习方法,应用于乳腺癌的检测。经过训练和测试,该方法在竞争环节中的 DREAMS 挑战中表现出色,取得了 0.879 的 ROC 曲线下面积,优于其他任何提交的结果。
Feb, 2019