Apr, 2016

CNN 特征转移的良好实践

PDF
TL;DR本研究旨在有效转移卷积神经网络（CNN）在图像搜索和分类中的特征。通过系统研究 CNN 转移的三个要点，本研究得出了使用适当大小的图像作为 CNN 输入的优势，使用平均 / 最大池化改善特征映射的不同 CNN 层的性能的结果以及在不同 CNN 层中提取集合特征的简单组合有效地从低层次和高层次描述符中收集证据等结论。遵循这些良好实践，本研究在多个基准测试中显著提高了最先进技术水平。
convolutional neural networkimage searchclassificationcnn layerspooled features
发现论文，激发创造
  • 卷积神经网络在视觉实例检索中的最佳实践是什么？

    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

  • 用具有池化层的 CNN 进行快速特征提取

    本文提出了一种针对整个图像计算基于补丁的局部特征描述符的有效方法，适用于几乎所有现有的网络架构和局部特征提取任务，包括摄像机标定、Patchmatching、光流估计和立体匹配等任务，并对任意 CNN 架构进行了速度基准测试和示例代码的展示。

    May, 2018

  • 卷积网络特征提取行为研究

    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

  • 使用 CNN 激活的积分最大池化进行特定对象检索

    本文尝试使用基于 CNN 的图像表示来重新设计目标检索流程，首次在 Oxford5k 和 Paris6k 数据集上效果能够与传统方法一较高下。

    Nov, 2015

  • 最大最小卷积神经网络用于图像分类

    本文提出了一种新的 CNN 卷积块设计，利用 MaxMin 策略在保持一定的不变性的同时传输更多的信息，经过对经典数据集 MNIST 和 CIFAR-10 的广泛实验，结果表明，这种新设计的 MaxMin 卷积网络优于标准 CNN。

    Oct, 2016

  • 深度神经网络中的特征可转移性如何？

    本论文研究了深度神经网络中神经元的广泛性与特定性，发现转移特征会受到特化高层神经元和合作适应神经元之间优化困难性的限制，转移特征的适用性随着目标任务与基础任务的差距而降低，但即使从远任务中转移特征，也比使用随机特征好，从几乎任意数量的层中初始化网络都可以提高广义化的效果，即使经过微调后能够持续。

    Nov, 2014

  • 用于图像分类和搜索的变换不变卷积神经网络

    该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性，从而显著提高了 CNN 在图片识别等许多基准任务上的表现。

    Nov, 2019

  • 卷积神经网络中的特征表示

    本文旨在深入探究 CNN 中的特征方面，发现 CNN 特征映射可用于随机森林和 SVM，以产生超越原始 CNN 的分类结果；使用较低层次的特征可以获得更好的分类结果。

    Jul, 2015

  • 通用卷积神经网络表示的可转移因素

    本文研究卷积神经网络的迁移学习，在多个视觉识别任务上通过优化训练参数和特征提取参数达到了显著提高。同时提出了根据任务与源任务的距离将视觉识别任务进行分类的方法。

    Jun, 2014

  • 多层神经网络在物体识别中的性能分析

    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