Jul, 2016

基于卷积神经网络的 Pascal VOC Challenge 2012 数据集图像分类应用

PDF
TL;DR利用 Amazon Web Services 提供的 GPU 实例，通过卷积神经网络模型，在 Pascal VOC 2012 数据集中实现了 85.6％的验证准确性和 85.24％的测试准确性来对图像进行分类。
image classificationconvolutional neural networkspascal voc challengegpu trainingamazon web services
发现论文，激发创造
  • 基于深度卷积神经网络的图像分类的一些改进

    通过给训练数据增加更多的图像变换、给测试时产生更多的预测和使用应用于更高分辨率图像的补充模型等多种技术，我们改进了目前基于深度卷积神经网络的图像分类流程，并在 Imagenet 大规模视觉识别挑战赛 2013 中获得了前五名，我们的系统分类错误率为 13.55％，相对于上一年的获胜者，出现了超过 20％的相对提高。

    Dec, 2013

  • 利用 CNN 进行语义分割（带有 Pascal VOC 数据集）

    本文提出一种针对 Pascal VOC 数据集的语义分割方法，通过使用 FCN、数据增强、类别不平衡权重和迁移学习等方法，以及 U-Net 和 ResNet 等不同的神经网络架构，有效地提高了模型的像素精度和 IoU 性能。研究表明数据增强是最有贡献的改进方法，而迁移学习模型在 Pascal 数据集上表现最佳。

    Apr, 2023

  • 使用数据增强的 Deep CNN 集成物体检测模型

    采用 DeepEnsembleCoco 的方法，利用 R-CNN 模型与深度 CNN 模型的集成来实现在目标检测方面取得最新的成果，并且在 PASCAL VOC 2012 比赛中的表现已超过以往所有的方法。

    Jun, 2015

  • 卷积网络的网络监督学习

    本文提出了一种使用大量网络数据来学习 CNN 的方法。具体地，我们利用了课程学习的思想，提出了一种 CNN 训练的两步方法，表现优异且鲁棒性强。我们使用这种方法在 VOC 2007 上实现了最佳性能，并在其中演示了网络监督学习的强大功能。

    May, 2015

  • 抽象图像分类数据集上深度学习的评估

    本文提出一种新型图像分类数据集，并评估了流行的卷积神经网络结构在此数据集上的分类表现，该数据集使用抽象类进行分类，具有人类易于解决但挑战 CNN 的特点。同时还发现了该数据集的变体可以为进一步研究提供有趣的可能性。

    Aug, 2017

  • 从图像级别到像素级别的卷积网络标注

    本研究提出了一种基于卷积神经网络的模型，只利用物体类别信息，通过最小化对目标分割任务的先验仅推断目标分割。我们展示了该模型在相对于弱监督物体分割任务中领先于业界最先进的方法。

    Nov, 2014

  • 卷积神经网络（CNN）在食品图像识别中的应用

    通过构建一个 5822 张图片数据集并使用五层 CNN 网络结构，利用几何变换的数据扩充技术来提高训练图片的数量，利用支持向量机（SVM）和 Bag-of-features（BoF）来进行食品图片识别，最终达到超过 90% 的准确率，有效避免 CNN 过度训练问题。

    Dec, 2016

  • 全连接深层结构网络

    该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

    Mar, 2015

  • 基于多区域和语义分割感知的 CNN 目标检测模型

    本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

    May, 2015

  • 基于深度学习的自动定位检测

    通过深度学习和数字图像的广泛应用，我们实现了一个图像分类系统，该系统专门用于识别和分类印度城市的图像。我们采用了两种方法，一个是基本卷积神经网络，另一个是利用 VGG16 模型进行迁移学习。我们的研究结果表明，该系统在旅游、城市规划和实时位置识别等领域有潜在应用价值。

    Mar, 2024