Mar, 2017

使用卷积神经网络的数据驱动化化合物图分离方法

PDF
TL;DR本文介绍了一种基于卷积神经网络的数据驱动方法，以训练这种分离器的端到端方式分离复合图，消除了手动设计特征和分离规则的需要，但需要大量注释的训练数据。作者在 ImageCLEF 医学数据集上评估了该技术，在 85.9% 的准确率上表现出色，并作为易于使用的 Python 库发布，旨在促进科学图形挖掘的进一步研究。
scientific papersfigure separationconvolutional neural networkstraining datapython library
发现论文，激发创造
  • 利用远程监督神经网络提取科学图表

    本文介绍了一种通过大规模科学文档数据集训练，实现无人干预的科学图表自动提取的方法，并获得了高精度模型以及数据集，成功用于 13 百万学术文献的提取。

    Apr, 2018

  • CompNet：处理图像和设计特征组合的指定模型

    本文提出了一种新的 CNN 模型结构 ——CompNet，即复合卷积神经网络，用于处理既包含图像也包含设计特征的分类任务，结合使用图像的学习特征权重设计特征，以充分利用所有可用信息，并显著减少过拟合现象。对 LIDC 数据集进行实验验证并与类似方法进行比较，结果表明，该模型在分类任务中的表现优于其他方法。

    Sep, 2022

  • 基于显著性的卷积神经网络用于数字化文档中表格和图表的检测

    本文使用深度卷积神经网络、图形模型和关注点概念相结合的方法，设计了一种用于数字文本中表格和图表检测和定位的深度神经网络，其结果在 ICDAR 2013 数据集中表现良好。

    Apr, 2018

  • 大型图像数据集中的可解释性发现

    该研究提出了一种新方法，将新颖性检测与 CNN 图像特征相结合，用于在大型数据集中快速发现新的，有趣的，不同寻常或异常的图像，并提供可解释的解释。

    Jun, 2018

  • 物体检测和实例分割的分解学习

    本论文提出了一种新的端到端可训练深度神经网络结构，在不需要预处理或者后处理的情况下，仅仅依靠一个网络评估就可以生成正确数量的对象实例和其边界框，对多数字图像中数字的检测、分割和 KITTI 基准数据集中的车辆检测任务显示了优越的性能。

    Nov, 2015

  • 新闻报道：通过图像和文本处理进行文章注释

    本文提出了一种新颖的深度学习方法，适用于解决文字描述与图片内容松散相关的情况。这种方法在多任务和迁移学习中表现良好，可以有效地检测图片来源、预测热度、插图以及文章地理位置等问题。同时，研究人员构建了一个新的语料库以供研究者使用。研究表明，该方法在新闻文章的领域中具有很强的实用性。

    Mar, 2016

  • 教授卷积神经网络组合性

    本文提出了一种扩充并训练卷积神经网络的方法，使其学到的特征是组成式的，并促进对对象的分离。实验表明，这种组成式特征学习方法在目标识别任务中相比非组成式基线可以获得更好的性能提升。

    Jun, 2017

  • 深度卷积网络在文件图像分类和检索中的评估

    本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术，证实与手工制作的替代方法相比，能够更好地学习抽象特征，且具有压缩鲁棒性和跨领域迁移性，并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。

    Feb, 2015

  • 利用卷积神经网络提高医学图像分割中的校准性和超出分布检测能力

    本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

    Apr, 2020

  • 文档图像分类卷积神经网络分析

    通过对卷积神经网络 CNNs 模型对文件图像分类任务的研究，我们发现使用剪切变形的数据扩增和一个针对更大输入图像设计的架构，可以超过基准数据集的现有技术，并且我们发现使用 RVL-CDIP 训练的 CNNs 可以学习区域特定的布局特征。

    Aug, 2017