ICLRMar, 2019

利用局部特征包模型近似 CNN 在 ImageNet 上获得出色表现

PDF
TL;DR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。
deep neural networksbagnetimage classificationlocal featuresassuming spatial ordering
发现论文，激发创造
  • 学习 Bag-of-Features 池化用于深度卷积神经网络

    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。

    Jul, 2017

  • 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

  • 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

  • 复现 BowNet：通过预测视觉单词包学习表示

    该研究使用无标签数据自我监督学习的方法，使用词袋深度描述符作为学习目标以学习鲁棒、深度特征，该方法可以学习具有扰动不变性和上下文感知的图像特征，适用于几乎无样本的任务或有监督的后续任务，其中将深度特征用于 CIFAR-100 分类任务并未能像原论文中所述显著提高分类准确性。

    Jan, 2022

  • 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

  • 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

  • 简单为上，简单架构超越深度和复杂架构

    提出了一种简单的卷积神经网络架构 (SimpleNet)，在保持计算和内存效率的同时，具有与更复杂的 CNN 相媲美的性能，在多个基准测试中表现出色，包括 CIFAR-10，MNIST，CIFAR-100 和 SVHN，甚至在 ImageNet 数据集中也优于许多更大更深的 CNN 模型。

    Aug, 2016

  • 同时进行：通过 IBN-Net 增强学习和泛化能力

    IBN-Net 是一种卷积神经网络结构，它通过融合实例归一化和批量归一化，能显著提高 CNN 在一个领域（例如 Cityscapes）的建模能力以及在另一个领域（例如 GTA5）的泛化能力，并且适用于许多先进的深度网络。

    Jul, 2018

  • Big-Little Net：一种高效的多尺度特征表示方法，用于视觉和语音识别

    该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

    Jul, 2018

  • 贝叶斯优化的 1 比特卷积神经网络

    提出一种新颖的方法，名为 Bayesian optimized 1-bit CNNs（简称 BONNs），利用贝叶斯优化后的 1-bit CNNs 极大程度地改善了其性能，能够在资源受限的环境中获得最佳分类性能，尤其在 ImageNet 上。

    Aug, 2019