Apr, 2019

GaborNet：深度卷积神经网络中具有可学习参数的 Gabor 滤波器

PDF
TL;DR该研究介绍了一种使用深度卷积神经网络进行图像识别的系统。改进的网络架构专注于提高收敛性和减少训练复杂性，该系统在 Python 上实现，经过多个数据集测试，优于常见的卷积网络。
image recognitiondeep convolutional neural networksnetwork architecturegabor functionbackpropagation techniques
发现论文，激发创造
  • Gabor 卷积网络

    该论文介绍了一个新的深度学习模型，称为 Gabor 卷积网络（GCNs），它将 Gabor 滤波器结合到深度卷积神经网络（DCNNs）中以增强对方向和尺度变换的抵抗力，并实现了在对象识别中的超大类能力，并减少网络参数。

    May, 2017

  • 学习 Gabor 纹理特征进行细粒度识别

    通过为特征提取引入 Gabor 滤波器作为有力工具来利用纹理特征，并将其与卷积神经网络（CNN）的语义分支相结合，实现全面的信息提取，从而在多个数据集上取得了最先进的性能。

    Aug, 2023

  • CGCNN: 基于原始语音的复杂 Gabor 卷积神经网络

    使用复杂的 Gabor 滤波器和深度神经网络的方法，在 TIMIT 音素识别任务中取得了最佳表现，同时保持可解释性。

    Feb, 2020

  • 学习卷积神经网络压缩的滤波器基础

    本论文提出基于卷积层中滤波器基的卷积神经网络参数数量缩减的方法，通过在多个 CNN 架构上对图像分类和图像超分辨率基准进行实验，结果表明该方法在减少参数和保持精确度方面优于现有技术。

    Aug, 2019

  • 动态过滤网络

    介绍一种新的动态滤波网络架构，使得学习的滤波器可以根据输入动态生成，具有高度适应性，且不会过多增加模型参数。通过可视化学习到的滤波器，证明该网络可以在无标签数据上学习信息，从而可以用于各种无监督预训练任务，例如光流和深度估计。

    May, 2016

  • GaterNet：CNN 中的动态滤波器选择

    本文提出了一种名为 GaterNet 的借助于门控网络实现的动态卷积神经网络滤波器选择框架，通过丰富 CNN 模型的学习方式，提高了模型性能并得出了比原论文更好的实验结果。

    Nov, 2018

  • 高性能神经网络用于视觉物体分类

    本研究使用 GPU 实现卷积神经网络，并利用监督学习的方法进行特征提取，通过设计深度分层结构比以往浅层网络获得更好的性能，在目标分类和手写数字识别任务中取得了目前最佳的结果。

    Feb, 2011

  • 基于 SincNet 的可解释卷积滤波器

    本研究提出了一种新的卷积神经网络模型 ——SincNet，该模型可用于直接处理从原始波形中提取的语音，通过使用参数化 sinc 函数，鼓励第一层学习更有意义的滤波器，学习带通滤波器的低高截止频率可以从数据中直接进行，该模型比标准 CNN 模型具有更快的收敛速度，更好的性能和更好的可解释性，这在说话人识别和语音识别方面得到了很好的实验验证。

    Nov, 2018

  • 有限训练样本下的谐波网络

    本研究表明，使用离散余弦变换（DCT）滤波器的谐波块，可在有限的训练数据情况下与使用小波作为预设滤波器的散射网络相比，有效降低训练参数数量和过度拟合，从而提高卷积神经网络（CNN）的性能。

    Apr, 2019

  • 深度卷积高斯过程

    本论文提出了基于卷积结构的深度高斯过程模型，是一种基于贝叶斯原则的图像分类方法，能够有效的利用局部特征，改善了传统的高斯过程方法在 MNIST 和 CIFAR-10 数据集上的分类准确性，尤其是 CIFAR-10 数据集上准确率提高了超过 10 个百分点。

    Oct, 2018