Aug, 2017

重新思考学习：通过反馈循环改进卷积神经网络

PDF
TL;DR该研究提出了一种利用反馈机制的学习算法，通过添加反馈层和生成强调向量，不断提升卷积神经网络的性能，特别适用于任何预先训练的模型，并在四个对象分类基准数据集上进行了测试，结果表明利用该算法训练 CNN 模型的优势。
convolutional neural networkhierarchical feature learningfeedback mechanismimage classificationend-to-end training
发现论文，激发创造
  • 任务驱动的卷积循环视觉系统模型

    通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

    Jun, 2018

  • 反馈网络

    本文研究了基于反馈的学习方法在计算机视觉领域中的应用，通过反馈机制可以达到与前馈神经网络相同的学习效果，且具有更好的性能表现，并可提供支持层次化结构及课程学习的新思路。

    Dec, 2016

  • 具有循环生成反馈的神经网络

    通过引入生成循环反馈，本文在卷积神经网络上实现了一种用于保证自我一致性的框架，并在标准基准测试中展示了 CNN-F 相对于传统前馈 CNN 的显着提高的对抗性鲁棒性。

    Jul, 2020

  • 利用循环神经网络修正卫星图像分类地图

    本研究提出了一种迭代增强算法，它能够通过训练循环神经网络来直接学习迭代过程，从而有效地改善卫星图像分类地图的质量。

    Aug, 2016

  • 基于递归卷积神经网络的强化学习

    使用递归卷积神经网络的值迭代，以及部分可观测环境下的状态信念传递和最佳行动选择来更好地利用强化学习问题的固有结构，通过 RCNNs 回传梯度允许系统显式地学习与底层 MDP 相关联的变换模型和奖励函数，这是经典基于模型的 RL 的一种优秀替代方法。我们通过机器人规划问题的仿真来评估所提出的算法，并展示了我们框架降低重新规划成本、学习准确的 MDP 模型以及使用学习的模型重新规划以实现接近最优策略的能力。

    Jan, 2017

  • 自适应增长：实时卷积神经网络层扩展

    基于数据输入，本研究提出了一种新算法，允许卷积神经网络的卷积层在动态环境下进行演化，并无缝地整合到现有的 DNNs 中。通过引入核函数，迭代性地评估图像特征的识别能力，本方法在多个数据集上展示了优于监督方法的表现，并在迁移学习场景中展示了增强的适应性，填补了深度学习中对于动态环境更灵活高效的 DNNs 的空白。

    Sep, 2023

  • Evolving CNN 拓扑结构的两个新性能改进

    本文介绍了两种新方法，通过直接在训练时间上实现正则化和使用部分训练来尽早评估个体架构，有效地减少了复杂性和训练时间，从而生产出有效地 CNN 拓扑结构，提高图像识别准确率，开销减少达 20%。这两种方法均经 CIFAR10 基准数据集验证以及保持准确度。

    Feb, 2021

  • 使用层次化修正高斯进行自下而上和自上而下的推理

    本研究探索了双向的神经网络结构和基于顶部反馈的推理方式，通过将神经元作为具有二次能量函数的整流潜变量，它可以被视为分层整流高尔基模型，并展示了其在具有挑战性的关键点本地化任务上的领先表现。

    Jul, 2015

  • 通过解释学习鲁棒的卷积神经网络与相关特征聚焦

    本文提出了一种称为 ReFF 的方法，通过解释输出来探测与任务相关的特征并规范卷积神经网络，以应对训练和测试数据集分布不同的情况，并在测试数据上提高了准确度。

    Feb, 2022

  • 反馈门控整流线性单元

    该研究探讨了人类大脑中反馈连接在人工神经网络研究中的重要性。设计了一种受生物启发的反馈机制来控制修正线性单元。在 MNIST 数据集上，使用反馈的自编码器表现出更快的收敛速度、更好的性能和更强的抗噪声能力。在 CIFAR-10 数据集上，虽然表现不如在 MNIST 数据集上显著，但仍然能够得到一定程度的优化。

    Jan, 2023