ICCVJul, 2017

学习 Bag-of-Features 池化用于深度卷积神经网络

PDF
TL;DR本文提出了一种基于量化的方法，称为 Convolutional BoF，使用 RBF 神经元对从卷积层中提取的信息进行量化，并且能够原生地分类各种大小的图像，同时显著减少了网络中的参数，通过三个图像数据集的实验证明了该方法降低了网络参数并提高了分类精度。
convolutional neural networksquantization-based approachbag-of-features modeltrainable pooling layerclassification accuracy
发现论文，激发创造
  • 利用局部特征包模型近似 CNN 在 ImageNet 上获得出色表现

    介绍了一种高性能 DNN BagNet 架构，它对图像进行分类，基于小型局部图像特征的出现，不考虑它们的空间顺序，从而容易解释每个图像部分对分类的影响。

    Mar, 2019

  • 图像分类与检索的特征包表示法介绍

    该研究论文介绍了一种基于 Bag of Features (BoF) 方法的图像表示方法，重点介绍了最新的技术和解决问题的策略，并分析了 BoF 方法在图像检索、目标定位等领域的应用和局限性。

    Jan, 2011

  • 模糊池化

    本研究使用（1 型）模糊集合方法提出了一种新的池化操作来处理卷积网络中特征不确定性，通过公开数据集的多个实验，发现其可显著提高卷积神经网络的图像分类性能，优于现有最先进的池化方法。

    Feb, 2022

  • 可扩展实例搜索的局部卷积特征包

    本文提出了一个基于卷积神经网络的局部特征编码和基于词袋模型的实例检索方法，该方法将每个卷积层中的局部激活函数数组映射到可视化词汇中，从而实现了空间重新排序和检索的目的，并在 Oxford 和 Paris buildings benchmarks 中取得了具有竞争力的性能表现。

    Apr, 2016

  • 用于紧凑图像表示的对象级深度特征池化

    本文提出一种基于卷积神经网络和物件性先验知识的图像检索方法，通过对图像区域深度特征和物件性先验的结合，有效地解决了图像在几何变换和物品构成方面的不变性问题，从而实现更准确高效的图像检索。

    Apr, 2015

  • 卷积神经网络（CNN）在食品图像识别中的应用

    通过构建一个 5822 张图片数据集并使用五层 CNN 网络结构，利用几何变换的数据扩充技术来提高训练图片的数量，利用支持向量机（SVM）和 Bag-of-features（BoF）来进行食品图片识别，最终达到超过 90% 的准确率，有效避免 CNN 过度训练问题。

    Dec, 2016

  • 利用矢量量化压缩深度卷积网络

    本文探讨信息理论中的向量量化方法，用于压缩卷积神经网络中的参数，结果表明针对最消耗存储的稠密连接层使用向量量化方法比现有的矩阵分解方法更加高效，仅使用最先进的 CNN 模型在 ImageNet 挑战赛的 1000 分类任务中，即使损失 1% 的分类准确率，也能获得 16-24 倍的网络压缩优化。

    Dec, 2014

  • 移动设备上的量化卷积神经网络

    该研究提出了一种名为量化卷积神经网络的模型，旨在通过量化卷积层中的滤波器核和全连接层中的权重矩阵，实现计算效率的提升和存储内存开销的降低，相对于非量化模型，该模型在 ILSVRC-12 基准测试中达到 4~6 倍的加速和 15~20 倍的压缩，仅有 1% 左右的分类准确率损失，并且甚至可以在移动设备上在一秒内精准分类照片。

    Dec, 2015

  • 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

  • E$^2$BoWs：一种基于深度卷积神经网络的端到端词袋模型

    本文提出了一种基于深度卷积神经网络的端到端 BoWs 模型 (E$^2$BoWs)，并介绍了一种新的学习算法来增强生成的 E$^2$BoWs 模型的稀疏性，以进一步确保时间和内存效率。在多个图像搜索数据集上的实验结果表明，与最近的基于深度学习的检索方法相比，我们的模型在准确性和效率上都取得了很好的表现。

    Sep, 2017