Sep, 2017

B-CNN：分支卷积神经网络用于分层分类

PDF
TL;DR本研究提出了一种变体的卷积神经网络模型 Branch Convolutional Neural Network（B-CNN）和对应的 Branch Training 策略，该模型可以沿着目标类别的层次结构输出多个从粗到细排序的预测结果，利用层次化的先验知识提高卷积神经网络的分类性能。实验结果表明，B-CNN 的性能优于 MNIST、CIFAR-10 和 CIFAR-100 基准数据集上的对应基准 CNN。
convolutional neural networkclassification hierarchybranch convolutional neural networkbt-strategyhierarchical prior knowledge
发现论文，激发创造
  • 卷积神经网络是否学习类别层次结构？

    本文研究了卷积神经网络的分类问题，并发现不同类别之间存在层级关系。同时，网络中不同层次的特征检测器的训练行为也在一定程度上受到类别层次结构的影响。根据这些发现，设计了一种层次感知的卷积神经网络，有效提高了模型的准确性并解决过拟合问题，并能够帮助发现训练数据中的各种质量问题。

    Oct, 2017

  • Tree-CNN: 一种层次化的深度卷积神经网络用于增量学习

    本研究提出一种自适应分层网络结构，由 DCNN 组成，可以随着新数据的出现而不断增长和学习。该模型通过组织渐增的可用数据成特征驱动的超类，实现了分类能力的自我增长，并在 CIFAR-10 和 CIFAR-100 数据集上实现了较优的准确率，从而显著减少了训练时间。

    Feb, 2018

  • HD-CNN：用于大规模视觉识别的分层深度卷积神经网络

    本文提出了一种基于分层结构的深度卷积神经网络 (HD-CNNs)，易分类的类别使用粗分类器进行区分，难分类的类别使用细分类器进行区分，并使用条件执行和层参数压缩等技术提高了可扩展性，成功地在 CIFAR100 和 ImageNet 等基准数据集上取得了最优结果。

    Oct, 2014

  • 贝叶斯和卷积网络用于星系的层次形态分类

    本研究主要使用 BCNN 方法对星系进行形态分类，通过卷积神经网络（CNN）训练不同类别的星系图像，并结合贝叶斯网络进行预测，结果显示 BCNN 在多个评估指标上表现优于其他 CNN 模型。

    May, 2024

  • 卷积分层递归神经网络学习上下文依赖关系

    该研究提出了一种基于深度卷积神经网络和分层递归神经网络的图像分类模型，以更好地编码图像区域之间的空间和比例依赖关系，从而取得了在四个具有挑战性的目标 / 场景图像分类基准测试中最先进的结果。

    Sep, 2015

  • 通过 CNN Tree 学习大规模分类的细粒度特征

    本文提出了一种新颖的方法来增强卷积神经网络（CNN）的可辨别性，通过建立一个树状结构来逐步学习精细的特征，以区分一部分类别。我们开发了一种新算法，有效地从大量类别中学习树结构。实验表明，我们的方法可以提高给定基本 CNN 模型的性能，且具有一般性，因此可以潜在地与许多其他深度学习模型结合使用。

    Nov, 2015

  • 大规模图像分类专家网络

    本文提出了一种基于树状结构的神经网络架构，用于大规模图像分类，并将其成功应用在四种流行卷积神经网络上，最终在 CIFAR100 数据集上达到了迄今为止最好的分类准确度，且在训练时间和参数数量上增加并不多。

    Apr, 2016

  • 双线性卷积神经网络用于细粒度视觉识别

    该论文提出了一种称为 Bilinear 卷积神经网络（B-CNNs）的神经网络模型，通过使用两个卷积神经网络所提取的特征的外积计算来表示图像，并以平移不变的方式捕捉局部特征交互，并在多项图像分类数据集上展示了其在识别精度和速度等方面的优越性。

    Apr, 2015

  • 基于 DAG-CNN 的多尺度识别

    使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取，并在三个场景基准测试中展现了最新的最佳分类性能。

    May, 2015

  • 深度组合网络

    本文提出了一种基于层次化组合模型的分析模型，通过显式的结构模型和明确的鉴别成本函数结合，在两个数据集上的实验表明，该模型在判别任务中表现和标准 CNN 相当，同时由于特征单元中结构的明确建模，使得其部分具体化可视化、推理快速分离，并且从局部观察中还原能力更强。

    Sep, 2016