CVPRNov, 2015

重组网络：学习由粗到细的特征聚合

PDF
TL;DR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。
发现论文，激发创造
  • 深度卷积特征聚合的图像检索

    本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

    Oct, 2015

  • 深度层聚合

    通过进行深度聚合来更好地融合图像识别中层间的信息，并对网络体系结构的各个方面进行了实验研究，发现深度聚合可以提高识别效果并减少网络参数。

    Jul, 2017

  • 具有粗糙剪枝的紧凑卷积神经网络

    通过对特征图和卷积核级别进行修剪，可以减少深度卷积神经网络的计算复杂性，而且在 CIFAR-10 数据集上的实验证明，在保持基线网络误分类率不到 1% 的情况下，可以在卷积层中引入超过 85% 的稀疏性。

    Oct, 2016

  • 深度网络中的细节保护池化

    本文介绍了一种基于最近图像降采样研究的深度学习方法，叫做细节保留池化 (DPP)，它可以放大空间变化并保留重要的结构细节，其参数可以与网络的其余部分一起学习，在几个数据集和网络上的实验证明 DPP 方法在性能上优于常规池化方法。

    Apr, 2018

  • 追求简单：全卷积网络

    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。

    Dec, 2014

  • 模糊池化

    本研究使用（1 型）模糊集合方法提出了一种新的池化操作来处理卷积网络中特征不确定性，通过公开数据集的多个实验，发现其可显著提高卷积神经网络的图像分类性能，优于现有最先进的池化方法。

    Feb, 2022

  • 序列聚合卷积网络

    本文提出了一种新的深度卷积神经网络结构，即使用聚合特征的 Shortcut 连接来改善网络优化难度，并取代传统的卷积神经网络结构，经过在公共基准数据集上的实验，发现其性能超过其他更大而复杂的卷积神经网络结构。

    Nov, 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

  • PixelNet：通向通用像素级架构

    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

  • 多尺度竞争卷积

    介绍了一种新的深度卷积神经网络模块，它促进了一组多尺度卷积过滤器之间的竞争，并使用 maxout 激活单元代替协作的池化阶段，从而防止滤波器的共适应并降低了多尺度过滤器的输出维度，在几个基准数据集上的分类结果要么优于要么与现有最先进的结果相当。

    Nov, 2015