ICLRDec, 2014

追求简单：全卷积网络

PDF
TL;DR通过重新评估小图像物体识别的状态并提出新的 CNN 网络结构，本文发现在保持精度的情况下，最大池化层可以简单地用增加步长的卷积层取代，并引入了一种新型的变体来可视化 CNN 学习到的特征。
convolutional neural networksobject recognitionmax-poolingconvolutional layerdeconvolution approach
发现论文，激发创造
  • 多层神经网络在物体识别中的性能分析

    本文探讨了卷积神经网络在计算机视觉问题中的特征学习，主要关注 CNNs 和工程化表示（如 SIFT 和 HOG）之间的差异。

    Jul, 2014

  • 卷积神经网络结构分析与优化

    本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述，并描述和评估了一些层次分类器。此外，本文还开发了一种可视化分类错误的新方法，并在 CIFAR-100 上量化了一些结果，如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型，它只有 100 万个学习参数，适用于 32x32x3 和 100 类输入，并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。

    Jul, 2017

  • 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

  • 卷积神经网络图像分类的进展

    本文介绍了卷积神经网络在图像分类任务中应用的不同架构，从 LeNet-5 到最新的 SENet 模型。同时比较了各个模型的性能差异和训练细节。

    May, 2019

  • 细节之魔归来：深入探究卷积神经网络

    本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了 CNN 基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

    May, 2014

  • 最大最小卷积神经网络用于图像分类

    本文提出了一种新的 CNN 卷积块设计，利用 MaxMin 策略在保持一定的不变性的同时传输更多的信息，经过对经典数据集 MNIST 和 CIFAR-10 的广泛实验，结果表明，这种新设计的 MaxMin 卷积网络优于标准 CNN。

    Oct, 2016

  • 具有 1-Max 池化卷积神经网络的强健音频事件识别

    本研究提出了一种简单而高效的卷积神经网络（CNN）架构，用于鲁棒的音频事件识别，并采用变尺寸的卷积滤波器和 1-max 池化方案等创新特性，在标准的鲁棒音频事件识别任务上表现不但表现出最新技术水准，并且在识别准确率上优于其他深度网络架构 4.5％， 相当于 76.3％的相对误差降低。

    Apr, 2016

  • 卷积特征图上的目标检测网络

    本论文探讨了如何使用共享的、独立于区域的卷积特征构建区域分类器网络，并发现深度和卷积的区域分类器对于物体检测特别重要，而最新的图像分类模型则不会直接导致良好的检测准确性，我们通过实验证明，尽管 ResNets 和 Faster R-CNN 系统是有效的，但 NoCs 的设计对于 ImageNet 和 MS COCO 2015 挑战赛的第一名入选至关重要。

    Apr, 2015

  • 卷积神经网络架构优化

    卷积神经网络（CNN）在面对声音识别、自然语言处理或计算机视觉等具有挑战性的任务时被广泛使用。本文提出了一种新颖的 CNN 优化和构建方法，基于剪枝和知识蒸馏，旨在确定卷积层的重要性，以减少计算要求，并在资源受限设备上部署。经过彻底的实证研究，包括最佳数据集（CIFAR-10、CIFAR-100 和 Imagenet）和 CNN 架构（VGG-16、ResNet-50、DenseNet-40 和 MobileNet），我们评估了该提议，并将准确度损失和剩余参数比率作为客观指标来比较 OCNNA 与其他最先进的方法的性能。与其他 20 多种卷积神经网络简化算法相比，我们的方法取得了出色的结果。因此，OCNNA 是一种竞争性的 CNN 构建方法，可以简化神经网络部署到物联网或资源有限设备的过程。

    Dec, 2023

  • 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