卷积神经网络像素分类的高效前向和后向传播
本文介绍了三个用于图像像素分类的卷积神经网络模型,通过去除冗余计算或使用全卷积体系结构来解决滑动窗口网络中存在的冗余计算问题。作者对这三种模型进行了评估,并评估了它们在两个神经组织数据集上的表现,以及训练过程中使用的不同损失函数。
Sep, 2015
探索了前馈算法在卷积神经网络中的应用,并使用新的标记技术,在 MNIST 手写数字数据集上实现了 99%的分类准确率,并比较了不同超参数对算法性能的影响。
Dec, 2023
该研究提出了一种有效的计算方法,通过对全梯度的精简计算以及对梯度进行稀疏选择,来提高卷积神经网络中反向传播的计算效率,实验结果表明只有 5% 的梯度需要上传就可以达到原始 CNN 的效果甚至更好。
Sep, 2017
该研究提出了一种名为 VisualBackProp 的新方法,用于实时可视化基于卷积神经网络(CNN)的系统中哪些输入像素集对预测结果产生最大影响,通过探索特征映射中趋于不重要的信息,该方法可以计算速度快于传统的正向传递方法,并可作为一种有价值的调试工具进行训练与推断。
Nov, 2016
本文提出了基于投影的卷积神经网络(PCNNs),使用离散的反向传播来提高二值神经网络(BNNs)的性能,并在 ImageNet 和 CIFAR 数据集上实现了比其他最先进的 BNNs 更好的分类性能。
Nov, 2018
通过采用分层抽样和多尺度特征的方法,优化以卷积预测器为基础的像素级预测问题的神经网络结构,显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.
Sep, 2016
在卷积内核方法中进行了数据组成特征提取的重要性研究,提出了一个数据驱动的卷积内核方法,通过对其效果进行广泛的研究,证明该方法已经在 CIFAR-10 分类准确性方面取得了与之前更复杂的卷积内核方法相同的准确性,将该方法扩展到 ImageNet 数据集,证明了该方法可以超越所有现有的非学习表示方法,成为目标识别的新基准。
Jan, 2021
本文提出了一种基于像素分类的高效深度神经网络用于图像去噪,通过使用 Class Specific Convolution (CSConv) 图层替换已存在去噪网络的卷积图层以及 U-net 像素分类器,能够降低计算成本并且不会牺牲去噪性能。
Mar, 2021