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
该研究提出了一种新的基于特征提取的图像分类数学模型,并通过构建分段线性函数以检测特征的方式证明卷积神经网络可以零误差地解决这些图像分类任务。
Jul, 2023
本文对多种因素对卷积神经网络(CNN)提取的特征代表性的影响进行了全面评估,提出了一种新的多尺度图像特征表示方法来有效编码图像,并在可视化目标检索的四个典型数据集上表现出了优异的性能。
Nov, 2016
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
该研究使用特征打乱的方法,结合 CNNs 的最小可识别构型分析和有效接受域尺寸的系统控制,探索了 CNNs 在对象分类中是否使用特征的空间排列,并且发现它们实际上能够利用相对较远的空间关系进行对象分类,同时证明 CNNs 使用的空间关系程度非常依赖于特定数据集和该数据集中不同类别对象的分类策略也不同。最后,研究还发现 CNNs 只能学习特征的中间粒度的空间排列,这提示了在对象分类中中间层次的形状特征提供了敏感度和特异性之间的最佳平衡点。
Dec, 2022
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
本文介绍一种基于卷积神经网络的层级模型,用于动作识别任务。该模型采用最后一层卷积神经网络的输出特征作为基础,并设计了一个层级结构来捕获视频中的时间变化。同时,作者引入了一种用于提取视频关键帧的方法,从而提高了模型的性能表现。通过在多个动作数据集上的实验结果表明,该方法在动作识别任务上取得了优越的性能表现。
Dec, 2015
通过用一种新型卷积神经网络(CNN)来编码不变性的再生核,本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题, 其中与传统方法不同的是,我们的网络学习在训练数据上逼近核特征映射,从而带来了多个优势,包括获得具有不变性的简单神经网络体系结构,实现与更复杂 CNNs 相似的准确度,以及抵抗过拟合等。
Jun, 2014
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。
Nov, 2014
本文旨在利用图形核函数解决图形数据处理问题,通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习,最终在十个基准数据集的七个中达到了优异的表现。
Oct, 2017