Jan, 2016
理解深度卷积网络
Understanding Deep Convolutional Networks
Stéphane Mallat
TL;DR这篇文章综述了深度卷积神经网络的架构,介绍了一种数学框架来分析它们的属性,以及讨论了它们的应用。
Abstract
deep convolutional networks provide state of the art classifications and
regressions results over many high-dimensional problems. We review their
architecture, which scatters data with a cascade of linear filter weights
发现论文,激发创造
深度卷积神经网络特征提取的数学理论
本文提出了一种基于波浪变换、线性非线性映射、平移不变性和形变稳定性的特征提取器,可以适用于不同的网络层,并且在网络深度增加时特征越来越具有平移不变性;同时,本文还建立了对带限函数、卡通函数和 Lipschitz 函数等信号类应用的变形敏感度边界。
Dec, 2015
深度卷积神经网络的普适性
本研究破解了学习理论中的一道难题,证明了深度卷积神经网络(CNN)是通用的,可以通过增加深度来达到任意精度的连续函数逼近,并且在处理大维度数据方面非常高效。同时我们的研究证明了卷积在深度 CNN 中的重要作用。
May, 2018
利用深度神经网络构建常规决策边界
本研究提出了一种基于卷积神经网络的通用结构,研究了不同超参数下网络表现,探究了深度网络规则性和本地特征的分离和收缩特性,并展示了在 CIFAR10 和 CIFAR100 上高精度的实现。
Mar, 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
融合深度卷积网络进行大规模视觉概念分类
本研究从大数据方面对卷积神经网络进行了分析,并在单个和多个网络模型上提出了有效的融合机制,为大数据从业人员提供了最佳实践,从而在保持计算成本较低的情况下,在基准数据集上取得了最先进的结果。
Aug, 2016
线性解释引导下的卷积网络导览
通过研究 LinearScope 中的线性译者,许多好奇的问题得以回答,例如分类使用的一像素一票策略、CNN 使用与人类视觉系统类似的小波基、I2I 中的复制 - 移动和模板创建策略等。
Aug, 2019