深度卷积神经网络中局部和全局变形的解析 —— 针对图像分类和滑动窗口检测任务

Nov, 2014

深度卷积神经网络中局部和全局变形的解析 —— 针对图像分类和滑动窗口检测任务

Untangling Local and Global Deformations in Deep Convolutional Networks for Image Classification and Sliding Window Detection

PDF

George Papandreou, Iasonas Kokkinos, Pierre-André Savalle

TL;DR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。

Abstract

deep convolutional neural networks (DCNNs) commonly use generic `max-pooling' (MP) layers to extract deformation-invariant features, but we argue in favor of a more refined treatment. First, we introduce epitomic convol

deep convolutional neural networks epitomic convolution multiple instance learning non-rigid deformations object detection

发现论文，激发创造

可变形部件模型是卷积神经网络

本文提出一种名为 DeepPyramid DPM 的模型，将图形模型 (DPM) 和卷积神经网络 (CNN) 相结合，取得了较好的性能，可用于视觉识别领域。

Sep, 2014

可变形卷积神经网络

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

用具有池化层的 CNN 进行快速特征提取

本文提出了一种针对整个图像计算基于补丁的局部特征描述符的有效方法，适用于几乎所有现有的网络架构和局部特征提取任务，包括摄像机标定、Patchmatching、光流估计和立体匹配等任务，并对任意 CNN 架构进行了速度基准测试和示例代码的展示。

May, 2018

卷积网络、可变形配件模型和非极大值抑制的端到端集成

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

DeepID-Net: 可变形深度卷积神经网络用于目标检测

本文提出了一种新的深度学习目标检测框架，引入了变形卷积神经网络、约束池化层等创新，通过组合不同的网络结构和组件、改变训练方法等方式，提高了模型的泛化能力和检测精度，实验结果表明该方法在 ILSVRC2014 比赛中的表现明显优于 RCNN 和 GoogleNet，能有效提升目标检测效果。

Dec, 2014

基于可变形部件的全卷积网络用于目标检测

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

OverFeat: 使用卷积网络集成识别、定位和检测

本文提出了一个基于卷积网络进行分类、定位和检测的综合框架，展示了如何在 ConvNet 中高效实现多尺度和滑动窗口方法，并通过学习预测目标边界来实现定位，最后释放了我们最佳模型的特征提取器 OverFeat。

Dec, 2013

卷积神经网络实现高效的物体定位

通过深度卷积网络及位置细化模型使人体姿态的关节定位精度得到提升

Nov, 2014

D2-Net: 一个可训练卷积神经网络，用于局部特征的联合检测和描述

本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。

May, 2019

基于 Patch 的卷积神经网络用于全切片组织图像分类

通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

Apr, 2015