深度 FisherNet 目标分类
该论文提出了一种基于 Fisher 向量与变分自编码器的深层架构,用于将卷积层的本地激活量化为深度生成模型,并在三个公共数据集上进行广泛实验,取得了比现有最先进方法更好的结果。
Nov, 2016
本文提出了一种基于稀疏编码的 Fisher 向量编码策略 (SCFVC),用于高维局部特征表示,通过使用 CNN 描述符与 SCFVC 方法,我们在多种基准测试数据集上都取得了最先进的表现。
Nov, 2014
使用分层相关传递技术,比较 Fisher Vector 分类器和 Deep Neural Networks 在图像分类中对于上下文的重要性、重要分析区域和数据中的潜在缺陷和偏见等方面的差异。
Dec, 2015
本文介绍了一种用于大规模图像检索的新型 Siamese 网络,结合了 CNN 组件和 Fisher vector 组件,可以同时学习 CNN 过滤器权重和 Fisher Vector 模型参数,并且结果比现有的方法有显著改善。
Feb, 2017
在本文中,我们提出了将卷积神经网络与基于字典的模型相结合,用于场景识别和视觉域自适应,并且我们发现所提出的混合表示法相较于仅使用卷积神经网络模型具有更好的表现。
Jan, 2016
本文介绍了一种名为 Completed Fisher vector(CFV)的图像表示方法,相较于传统的 Fisher vector(FV),CFV 不仅能够描述局部特征的方差,还能够描述局部特征的相关性,从而提高了鉴别能力,实验结果表明,CFV 在物体分类任务中表现优秀。
Apr, 2016
本文介绍了一种将传统的基于低级局部描述符的图像表示法和卷积神经网络的深度神经激活相结合的框架,提出了一种从预训练的 CNN 中提取公平数量的多尺度密集局部激活的有效方法,并通过改进的 Fisher kernel 框架聚合这些激活。实验证明,该方法可用作更好地执行视觉识别任务的一种主要图像表示。
Dec, 2014
本文介绍了快速集中网络(Fast&Focused-Net),它是一种为将小目标高效编码为固定长度特征向量而设计的新型深度神经网络架构。通过引入 Volume-wise Dot Product(VDP)层,Fast&Focused-Net 解决了传统的卷积神经网络(CNN)中存在的一些局限性,并通过大量实验证据证明了其在小目标分类和文本识别任务中的优越性能。
Jan, 2024
该论文研究了基于循环神经网络编码、分类和预测序列的方法。通过使用 Fisher 向量和反向传播算法,该论文展示了循环神经网络在视频动作识别和图像注释等领域取得了最先进的结果,同时提供了出人意料的任务转移学习结果。
Dec, 2015