Feb, 2018

使用计算机视觉和深度学习取得最佳结果

PDF
TL;DR使用计算机视觉和深度学习 (卷积神经网络 - CNN) 构建高效的增强型顶夸克刻度器，采用多种方式提高 DeepTop 刻度器的性能，包括架构、训练、图像预处理、样本大小和颜色像素等，并在背景拒绝能力上比基于高级输入的 BDT 提高了约 2-3 倍，可直接推广到分类其他类型的喷注。
computer visiondeep learningconvolutional neural networktop taggingboosted
发现论文，激发创造
  • 深度学习的洛伦兹层顶部标记

    本研究提出了一种新的基于深度神经网络的高效夸克顶标记器，采用 Lorentz 向量和 Minkowski 度量进行操作，不仅从量能器，而且从跟踪信息中鉴别加速顶夸克，该标记器的表现明显优于 QCD 启发式和图像识别方法。

    Jul, 2017

  • 顶级标签器的机器学习景观

    该研究比较了一系列基于低层次输入的现代机器学习方法在鉴别被提升的轻子衰变的夸克的效果，结果表明这些新方法非常强大且有很高的效率。

    Feb, 2019

  • Jet-Images -- 深度学习版本

    采用基于深度学习技术的机器学习算法识别高增强度 W 玻色子，该算法优于传统的物理学特征驱动算法，通过可视化训练过程，可以获得附加信息以提高性能，加深对逐渐深入了解喷注中的物理以及新粒子和新力的敏感性的物理学特征驱动工具和监督学习算法之间的相互作用的普遍性。

    Nov, 2015

  • 深度卷积排序多标签图像注释

    通过结合卷积结构和近似 top-k 排名目标，利用深度神经网络的特征，改进了多标签图像注释，并在 NUS-WIDE 数据集上实现了比传统视觉特征高大约 10% 的性能表现，提出了一种有效的方法。

    Dec, 2013

  • 使用卷积神经网络的通用标注器

    使用卷积神经网络的通用标记器（CNN）在不同的标记任务中表现强壮，它能够生成词向量和编码上下文信息，并且没有任务特定的调整能够在词性标注、形态标注和超级标注等任务上达到最优结果，同时它还能很好地解决未登录词问题。

    Jun, 2017

  • 在 Flickr 中进行标签预测：来自暗房的视角

    本文讨论了如何开发一个大规模的自动照片标注系统，提出了一些重要的考虑事项，包括如何为用户选择最重要的标签、如何开发高性能的模型以进行标签预测，以及如何利用大量噪声数据进行训练。通过使用用户生成的数据，我们的结果表明，对于现实世界的数据集，仅使用这些噪声数据的训练效果与先预先训练干净的数据再进行微调的标准范例的表现相当。

    Dec, 2016

  • 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

  • 学习卷积神经网络进行人脸反欺骗

    本研究采用深度卷积神经网络（CNN）学习特征，在经过数据预处理后，能够大幅提高面部防欺诈性能，使得在 CASIA 和 REPLAY-ATTACK 数据集中相对错误率降低超过 70％，同时在两个数据集之间的交叉测试中，实验结果表明 CNN 能够获得更好的泛化能力，使用两个数据集的组合数据训练的网络在两个数据集之间具有更少的偏差。

    Aug, 2014

  • 用自上而下的全卷积编码器 - 解码器网络学习细化物体轮廓

    本文提出了一种名为 TD-CEDN 的深度轮廓检测算法，该算法采用自上而下的完全卷积编码器 - 解码器网络，并在多尺度、多级特征学习以及前向传播阶段获得原始特征图，然后采用自下而上的方式进行解码，并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测，从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。

    May, 2017

  • 金属铸造缺陷检测的高效神经网络方法

    提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

    Aug, 2022