Nov, 2014

卷积层下的宝藏：交叉卷积层池化用于图像分类

PDF
TL;DR本文介绍一种新技术 cross-convolutional-layer pooling，并探讨卷积层激活的图像表示方式在使用中的优点和不足，通过应用于四个流行的视觉分类任务，证明该方法具有可比较或显著更好的性能，而造成的计算成本要低得多。
deep convolutional neural networkimage representationcross-convolutional-layer poolingvisual classificationcomputational cost
发现论文，激发创造
  • 深金字塔残差网络

    探索使用逐渐增加特征映射维度的方式，提高深度残差神经网络的泛化能力，并提出了一种新的残差单元，增强了其分类准确性；实验表明，与原始的残差网络相比，该网络结构具有更好的泛化能力。

    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

  • 卷积神经网络中的特征表示

    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

  • 卷积网络特征提取行为研究

    该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。

    Mar, 2017

  • 深度卷积特征聚合的图像检索

    本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

    Oct, 2015

  • 深度卷积激活特征的多尺度无序池化

    本文介绍了一种简单但有效的方案 —— 多尺度无序池（MOP-CNN），该方案提取多尺度下局部块的 CNN 激活，对每个尺度单独进行无序 VLAD 池化并将结果串联，从而提高了 CNN 激活的不变性和识别性能，并在图像分类等监督或非监督识别任务中表现出色。

    Mar, 2014

  • 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

  • 重组网络：学习由粗到细的特征聚合

    本文介绍了一种名为 “Recombinator Networks” 的模型，该模型可以在不影响鲁棒性的前提下，通过信息重组的方式实现对精确定位的支持，相较于传统的基于求和和拼接的方法，其精度有显著提升，并将误差降低了 30％。同时作者还提出了基于卷积神经网络的去噪预测模型，进一步提升了该模型的性能。

    Nov, 2015

  • 用于视觉实例搜索的类加权卷积特征

    本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

    Jul, 2017

  • 双卷积神经网络

    本文提出了一种新的卷积神经网络模型，称为双卷积神经网络，该模型通过共享权重参数进行优化，在图像分类领域有着显著的性能提升。在 CIFAR-10，CIFAR-100 和 ImageNet 等图像分类基准测试中，该模型的性能均显著优于其他竞争模型。同时，本文还说明了双卷积神经网络在多方面性能均有体现，既可以构建更准确的模型，又可以以牺牲一定准确性的代价来减少模型的内存占用。

    Oct, 2016