Sep, 2015

卷积分层递归神经网络学习上下文依赖关系

PDF
TL;DR该研究提出了一种基于深度卷积神经网络和分层递归神经网络的图像分类模型，以更好地编码图像区域之间的空间和比例依赖关系，从而取得了在四个具有挑战性的目标 / 场景图像分类基准测试中最先进的结果。
deep convolutional neural networksrecurrent neural networkshierarchical rnnsimage representationimage classification
发现论文，激发创造
  • 层次化递归神经网络用于视频摘要

    本篇论文提出了一种名为 H-RNN 的分层循环神经网络用于视频摘要，其可以更好地利用帧之间的长时间依赖性，并且在 Combined 和 VTW 两个数据集上表现优于现有技术。

    Apr, 2019

  • 基于循环神经网络的关系分类

    本文提出了一种基于循环神经网络的简单框架，并将其与基于卷积神经网络的模型进行比较。该模型在处理句子关系分类问题时具有学习长距离依赖关系模式的优点，并在使用 MIMLRE 数据集的实验中表现出优异的性能。

    Aug, 2015

  • 使用带有高速公路层的循环卷积神经网络学习文本表示

    本文介绍了一种结合循环卷积神经网络（RCNN）和高速公路模块的混合模型，并将其在情感分析任务上进行了实验。实验结果表明，该模型在长文本序列任务上具有较好的表现。

    Jun, 2016

  • 高阶循环神经网络

    本研究提出了一种新型神经网络结构，更好地建模序列数据的长期依赖性，称之为 higher order RNNs，实验结果表明，比常规 RNNs 和 LSTMs 性能都要好，适用于各种序列模型任务。

    Apr, 2016

  • 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

  • 使用水平门循环单元学习长距空间依赖

    使用水平门控循环单元层，可以取得与甚至优于当前最先进的深度学习结构相当的效果，在长空间范围内检测相互依赖的视觉特征上表现出色。

    May, 2018

  • 卷积层和循环层的优势结合：一种适用于语义分割的混合网络

    探讨了如何在图像识别的语义分割领域中，采用 ReNet 层代替全卷积神经网络中的级联卷积和池化层来使局部感受野具有全局信息，并开发了一种新的混合深层 ReNet（H-ReNet）模型，经实验证明其在 PASCAL VOC 2012 基准测试中的识别准确度比 Piecewise、CRFasRNN 和 DeepParsing 高 3.6%、2.3% 和 0.2%。

    Mar, 2016

  • 具多层上下文的带注意力机制的 RNN 用于场景标注

    探索多级上下文循环神经网络的多种上下文提示，将其结合到分级卷积神经网络中，提供丰富的空间和语义信息，并使用注意力模型来有效地合并多个级别，以实现在图像标签方面的最新结果。

    Jul, 2016

  • CNN+CNN：用于图像字幕生成的卷积解码器

    本文在图像字幕生成方面，提出了一种仅利用卷积神经网络生成字幕的框架，通过并行计算，训练速度比基于 LSTM 的模型快 3 倍，同时在 MSCOCO 图像字幕数据集上获得了比 LSTM 更高的评估得分。

    May, 2018

  • CNN-RNN：一种多标签图像分类的统一框架

    本文提出了一种基于卷积神经网络和循环神经网络的框架，用于多标签图像分类，通过学习图像标签嵌入特征，显式地利用了图像标签之间的关联性，拥有较好的分类性能。

    Apr, 2016