CVPRJul, 2015

使用层次化修正高斯进行自下而上和自上而下的推理

PDF
TL;DR本研究探索了双向的神经网络结构和基于顶部反馈的推理方式，通过将神经元作为具有二次能量函数的整流潜变量，它可以被视为分层整流高尔基模型，并展示了其在具有挑战性的关键点本地化任务上的领先表现。
convolutional neural netsbidirectional architecturesrectified latent variablesquadratic programhierarchical probabilistic models
发现论文，激发创造
  • 任务驱动的卷积循环视觉系统模型

    通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

    Jun, 2018

  • 重新思考学习：通过反馈循环改进卷积神经网络

    该研究提出了一种利用反馈机制的学习算法，通过添加反馈层和生成强调向量，不断提升卷积神经网络的性能，特别适用于任何预先训练的模型，并在四个对象分类基准数据集上进行了测试，结果表明利用该算法训练 CNN 模型的优势。

    Aug, 2017

  • 具有循环生成反馈的神经网络

    通过引入生成循环反馈，本文在卷积神经网络上实现了一种用于保证自我一致性的框架，并在标准基准测试中展示了 CNN-F 相对于传统前馈 CNN 的显着提高的对抗性鲁棒性。

    Jul, 2020

  • 基于图的全局推理网络

    该研究提出了一种名为 GloRe 的全局推理单元，实现了卷积神经网络对于远距离区域之间的全局关系的建模，能够有效提升图像识别、语义分割和视频行为识别等计算机视觉任务的性能。

    Nov, 2018

  • 自上而下的网络：对 CNN 的粗到细的再想象

    本文提出了一种顶向下的神经网络结构，可以在图像分辨率上进行粗到细的信息处理，并能有效对抗高频噪声的对抗攻击，同时提高了网络的决策可解释性和对象驱动性能力。

    Apr, 2020

  • 深度卷积神经网络分析的改进

    本论文提出了一种基于可视化分析的方法，以更好地理解、诊断和改进深度卷积神经网络，并使用一些新的算法和技术来显示神经元和神经元群之间的多个方面和交互作用。

    Apr, 2016

  • 带门控博弈的深层在线凸优化

    本文研究了在具有 rectifier units 和 max-pooling 的卷积神经网络上使用梯度下降算法的收敛性，并通过引入 gated games 描述了神经网络学到的特征表示，提出了一种基于对数后悔算法的神经网络训练方法。

    Apr, 2016

  • 反馈门控整流线性单元

    该研究探讨了人类大脑中反馈连接在人工神经网络研究中的重要性。设计了一种受生物启发的反馈机制来控制修正线性单元。在 MNIST 数据集上，使用反馈的自编码器表现出更快的收敛速度、更好的性能和更强的抗噪声能力。在 CIFAR-10 数据集上，虽然表现不如在 MNIST 数据集上显著，但仍然能够得到一定程度的优化。

    Jan, 2023

  • 基于自上而下反馈的人群计数卷积神经网络

    本研究提出了一种基于 CNN 回归器和自上而下反馈的人群计数方法，通过利用空间上下文和场景语义来解决人群计数过程中由于外观的大量变异性和场景噪声而导致的假预测问题。

    Jul, 2018

  • 深度学习作为 Ricci 流

    深度神经网络经过一系列几何和拓扑简化来进行分类任务，而这与 Hamilton 的 Ricci 流在微分几何中平滑曲率以识别拓扑结构的过程存在对应关系。通过构建一个计算框架来量化数据通过 DNN 的不同层时发生的几何变化，我们展示了全局 Ricci 网络流与 DNN 的准确性相关，并且对深度和宽度无关，也适用于不同的数据集。这些发现推动了将微分几何和离散几何工具应用于深度学习解释性问题。

    Apr, 2024