Mar, 2017

二阶信息对大规模视觉识别有用吗？

HTML
PDF
TL;DR该论文提出了一种基于高级特征的协方差汇集方法，即Matrix Power Normalized Covariance (MPN-COV)，并在ImageNet上的测试中表现出了显著的成果，特别是在AlexNet，VGG-M和VGG-16的情况下，MPN-COV方法可以使性能提高超过3％，并且与ResNet-152相媲美。
发现论文，激发创造
  • 细节之魔归来：深入探究卷积神经网络

    本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了CNN基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

    May, 2014

  • 卷积核网络

    通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂CNNs相似的准确度，以及抵抗过拟合等。

    Jun, 2014

  • 大规模图像识别的极深卷积网络

    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

  • 长期循环卷积网络用于视觉识别和描述

    研究比较深度卷积网络和带有循环结构的深度卷积神经网络的效果，针对视频识别、图像描述、检索以及视频叙事方面的问题，开发出一种新颖的循环卷积架构，该架构可以训练端到端，可以同时学习时间动态和卷积感知表示，并具有学习长期依赖性的能力。实验结果证明，循环卷积模型在识别或生成方面与现有的模型相比具有明显的优势。

    Nov, 2014

  • 追求简单：全卷积网络

    通过重新评估小图像物体识别的状态并提出新的CNN网络结构，本文发现在保持精度的情况下，最大池化层可以简单地用增加步长的卷积层取代，并引入了一种新型的变体来可视化CNN学习到的特征。

    Dec, 2014

  • 二阶卷积神经网络

    本文提出一种新颖的卷积神经网络（CNN）类，它利用二阶统计量，可以形成协方差描述符单元（CDU），可以替代标准CNN的全连接层，并在参数少至90％的情况下优于一阶CNN。

    Mar, 2017

  • 多尺度稠密网络用于资源高效的图像分类

    该论文研究了在测试时具有计算资源限制的图像分类问题，并通过训练多个带有不同资源需求的分类器并将其作为早期退出引入单个深度卷积神经网络中以最大程度地重用计算，实现了在任意时间进行预测和分配不同的计算量来分类一组样本，框架显著改善了现有技术在两种情况下的表现。

    Mar, 2017

  • 稠密连接的卷积网络

    该研究提出 Dense Convolutional Network (DenseNet) 模型，使用每一层之前的所有特征图作为输入，解决了梯度消失的问题，促进了特征重用，并在目标识别领域的四个竞争性基准上显着提高了性能效率。

    Jan, 2020

  • Involution：卷积内在性的翻转用于视觉识别

    本文提出一种新的深度神经网络操作Atomic Involution，其将传统卷积的空间不可知和通道特异性原则进行了倒置，可作为构建新一代神经网络的基础砖块并提高了卷积基线的性能。

    Mar, 2021

  • 上下文卷积神经网络

    本文介绍了一种用于视觉识别的上下文卷积技术，理论基础来自神经科学研究；在图像分类和对象检测任务以及生成式对抗网络的生成结果方面，该技术都取得了较好的性能。

    Aug, 2021