Jan, 2017

一种新的卷积网络结构及其在皮肤检测、语义分割和伪影减少中的应用

PDF
TL;DR本文提出了一种修改的卷积网络 Inception Network，在去除 dense prediction 和 pooling 的缺点基础上，将大型卷积核添加在每一层中，应用于典型的图像到图像学习问题中，表现出了比同类问题还要好的效果，如：皮肤检测，语义分割和压缩伪像去除等。
inception networkimage restorationconvolutional network-in-networkpoolingsemantic segmentation
发现论文，激发创造
  • 使用双边 Inception 的超像素卷积网络

    本文提出了使用 CNN 进行语义图像分割的体系结构，使用新的 “双边启发式” 模块解决了通用 CNN 分割结构中出现的两个问题，并在三个不同数据集上得到了可靠的改进。

    Nov, 2015

  • 深入卷积

    该研究论文提出了一种深度卷积神经网络架构 ——Inception，该架构在 ImageNet 图像识别竞赛中取得了新的研究成果，提高了网络的深度和宽度，同时保持计算资源的稳定利用，并基于 Hebbian 原理和多尺度处理原则进行建构。具体表现为 GoogLeNet 网络，在分类和检测领域取得了不错的成绩。

    Sep, 2014

  • INCEPTNET：精确早期疾病检测应用于医学图像分析

    提出了一种名为 InceptNet 的深度神经网络，用于医学图像处理中的早期疾病检测和分割，以提高精度和性能。它通过与用户的交互生成全面的应用程序，同时通过添加不同并行内核大小的 Inception 模块来改善网络的能力。在四个基准数据集上进行了实验，表明该方法在小规模结构图像上的性能优于先前的方法。

    Sep, 2023

  • 网络中的网络

    本文提出了一种新型深度神经网络结构，称为 “Network In Network”，以增强感受野内局部补丁的模型可辨别度。通过在感受野内构建微型神经网络，本文在多个数据集上展示了 NIN 在图像分类方面表现出卓越的性能与利用全局平均池化来代替传统全连接层解决过拟合问题的优越性。

    Dec, 2013

  • 用于实时物体检测的 Wide-Residual-Inception 网络

    本文介绍了一种名为 “宽残差 Inception”（WR-Inception）的神经网络模型，它采用深层和宽层，结构基于残差 Inception 单元，捕获同一要素图上各种大小的对象。为验证该模型的有效性，本文进行了两项实验：在 CIFAR-10 / 100 上的分类任务和在 KITTI 数据集上使用单发多框检测器（SSD）进行路面物体检测任务。

    Feb, 2017

  • 基于扩张 Inception 网络的视觉显著性预测

    本文提出了一种基于 DCNN 网络的端到端扩张 Inception 网络（DINet）用于实现视觉显著性预测，并使用一系列线性归一化的概率分布距离度量作为损失函数来推断全局显著性信息，从而将显著性预测转化为概率分布任务。实验结果表明，该方法可以在短时间内实现最先进的性能。

    Apr, 2019

  • 全卷积神经网络用于语义分割

    本文提出了一种基于卷积神经网络的 Fully Convolutional Networks（FCN）方法，可以用于图像的深度语义分割。通过该方法，我们成功地提高了 PASCAL VOC、NYUDv2、SIFT Flow 和 PASCAL-Context 等公开数据集上的 segmentation 模型的性能，并且推断速度远快于之前的相关工作。

    May, 2016

  • 重新思考 Inception 架构在计算机视觉中的应用

    本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法，使卷积神经网络计算效率最大化，并以 ILSVRC2012 分类挑战作为基准，报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络，评估单帧评估的 top-1 误差 21.2％和 top-5 误差 5.6％的显著成果。

    Dec, 2015

  • 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

  • 基于卷积神经网络的特征提取深度学习模型研究

    通过选用 AlexNet 和 InceptionV3 模型进行优化分类，结合医学图像特征，学习更深层次、更复杂结构的前向神经网络，再利用知识提取技术将结果数据提取到 AlexNet 模型中，从而提高计算效率和降低计算成本，使得训练后的 AlexNet 模型的预测准确率、特异度和敏感度分别提高了 4.25 个百分点、7.85 个百分点和 2.32 个百分点，并相较于 InceptionV3 模型，图形处理的使用率减少了 51%。

    Jun, 2024