视觉识别的深度协同学习
本文提出了一种基于层的鉴别性学习方法来增强深度神经网络的鉴别能力,在多个层上引入多个分类器,使它们协同工作进行分类,通过对多个深度网络和基准数据集的实验,证明了该方法的有效性,并分析了该方法和经典条件随机场模型之间的关系。
Jul, 2016
本文提出了一种新的卷积神经网络模型,称为双卷积神经网络,该模型通过共享权重参数进行优化,在图像分类领域有着显著的性能提升。在 CIFAR-10,CIFAR-100 和 ImageNet 等图像分类基准测试中,该模型的性能均显著优于其他竞争模型。同时,本文还说明了双卷积神经网络在多方面性能均有体现,既可以构建更准确的模型,又可以以牺牲一定准确性的代价来减少模型的内存占用。
Oct, 2016
本文提出了一种有效的三阶段程序来量化成功的深度学习机制,通过 VGG-16、VGG-6 和 AVGG-16 的定量分析,发现每个 Convolutional 层的过滤器会选择一个独立于输入标签的单个输出标签子集,这是该机制不可或缺的一部分,并随着层数的增加而逐渐被加强,进而提高了信噪比和成功率,通过该机制,可以精确地识别每个过滤器的质量,有望指导进一步的程序改进深度学习的成功率、计算复杂度和延迟。
May, 2023
通过结合多层和多尺度的特征,利用深度卷积神经网络来提高图像分类器的领域泛化能力,并提出了一种新颖的目标函数,使用对比学习的方法约束提取的特征在分布转移下保持不变,实验证明该方法在多个数据集上均表现出与之前方法相比更好的性能。
Aug, 2023
通过两种不同的学习模式来探究通过特征定位的方式学习到的特征,在医学和自然数据集上的分析表明了层级学习策略的优越性,本研究显示级联学习是一种有前景的区域预测方法,并在 YOLO 目标检测框架上显示出比端到端方案提升了 2% 的 mAP。
Nov, 2023
本文通过使用小的卷积滤波器的架构,对不断增加深度的网络的精度进行了全面评估,表明通过将深度推到 16 至 19 个权重层,可以显著提高以往技术水平,并在 ImageNet Challenge 2014 中获得了第一和第二名。我们还证明了该表示法在其他数据集上具有很好的泛化性能,并公开了我们表现最佳的两个 ConvNet 模型,以便进一步研究深度视觉表示在计算机视觉中的应用。
Sep, 2014
本文提出一种基于条件深度学习的方法,在保持高准确率的同时,实现了针对输入分类难度的动态计算,进一步降低了网络的运算和能量开销,通过在 MNIST 数据集上的实验,我们的方法相对原始网络减少了 1.91 倍的平均操作次数,并提高了分类准确率从 97.5% 到 98.9%。
Sep, 2015