Oct, 2014

HD-CNN：用于大规模视觉识别的分层深度卷积神经网络

PDF
TL;DR本文提出了一种基于分层结构的深度卷积神经网络 (HD-CNNs)，易分类的类别使用粗分类器进行区分，难分类的类别使用细分类器进行区分，并使用条件执行和层参数压缩等技术提高了可扩展性，成功地在 CIFAR100 和 ImageNet 等基准数据集上取得了最优结果。
发现论文，激发创造
  • 卷积神经网络是否学习类别层次结构？

    本文研究了卷积神经网络的分类问题，并发现不同类别之间存在层级关系。同时，网络中不同层次的特征检测器的训练行为也在一定程度上受到类别层次结构的影响。根据这些发现，设计了一种层次感知的卷积神经网络，有效提高了模型的准确性并解决过拟合问题，并能够帮助发现训练数据中的各种质量问题。

    Oct, 2017

  • Tree-CNN: 一种层次化的深度卷积神经网络用于增量学习

    本研究提出一种自适应分层网络结构，由 DCNN 组成，可以随着新数据的出现而不断增长和学习。该模型通过组织渐增的可用数据成特征驱动的超类，实现了分类能力的自我增长，并在 CIFAR-10 和 CIFAR-100 数据集上实现了较优的准确率，从而显著减少了训练时间。

    Feb, 2018

  • B-CNN：分支卷积神经网络用于分层分类

    本研究提出了一种变体的卷积神经网络模型 Branch Convolutional Neural Network（B-CNN）和对应的 Branch Training 策略，该模型可以沿着目标类别的层次结构输出多个从粗到细排序的预测结果，利用层次化的先验知识提高卷积神经网络的分类性能。实验结果表明，B-CNN 的性能优于 MNIST、CIFAR-10 和 CIFAR-100 基准数据集上的对应基准 CNN。

    Sep, 2017

  • 卷积分层递归神经网络学习上下文依赖关系

    该研究提出了一种基于深度卷积神经网络和分层递归神经网络的图像分类模型，以更好地编码图像区域之间的空间和比例依赖关系，从而取得了在四个具有挑战性的目标 / 场景图像分类基准测试中最先进的结果。

    Sep, 2015

  • 通过自级联卷积神经网络完成超高分辨率图像的语义标注

    提出了一种基于 CNN 的新型深度模型（ScasNet），用于在具有高度复杂的城市环境下对非常高分辨率（VHR）图像进行语义标注。ScasNet 通过全局到局部环境聚合和粗到精微的细化策略，以及专用的残差校正方案，大大提高了标记的一致性和准确性，并在三个公共数据集上获得了最先进的性能。

    Jul, 2018

  • Hi-Fi: 层次化特征整合用于骨架检测

    本论文提出了一种新的卷积神经网络架构，称为 Hi-Fi，并通过引入新的分层特征集成机制来解决对象骨架检测问题，在多种基准测试上取得了显着的性能提升，这表明了该方法的有效性。

    Jan, 2018

  • CNN: 单标签到多标签

    本研究提出了一个深度卷积神经网络结构 (HCP)，可灵活应对多标签图像任务，并成功应用于 Pascal VOC2007 和 VOC2012 数据集中，表现优于其他同类算法，最大平均精度达到 84.2%。

    Jun, 2014

  • 探索大规模零样本图像分类的分层图表示

    提出了一种基于层次图知识表示的置信度分类方法，命名为 HGR-Net，用于零样本学习和大规模图像识别，可以有效地识别未见过的类别并区分它们与已见过的类别，在 ImageNet-21K 基准测试中，性能比其他现有技术提升了 7%。

    Mar, 2022

  • 卷积神经网络进行高分辨率语义标记

    本文介绍卷积神经网络在图像语义分割领域的应用，通过深入研究相关架构，提出了更加高效和灵活的 CNN 框架，能够在高分辨率航空影像语义分割任务中取得更好的性能表现。

    Nov, 2016

  • 深度神经网络如何学习组合数据：随机层次模型

    本文探讨了使用深度卷积神经网络训练高维数据的难点，回答了在随机分层模型中学习所需的训练数据量成长与类别数、高级特征组成式的幂、重复次数成多项式关系的问题，并给出了相应的估算方法。

    Jul, 2023