Apr, 2020

卷积神经网络综述：分析，应用和前景

PDF
TL;DR本文综述了卷积神经网络的历史，概述了卷积神经网络的结构，介绍了一些基础和高级模型，并通过实验分析总结了一些适用函数的经验法则。此外，本文还涵盖了一维、二维和多维卷积的应用，并讨论了卷积神经网络面临的一些问题和未来的方向。
发现论文，激发创造
  • 深度学习中卷积的综合调查：应用、挑战和未来趋势

    在这篇论文中，我们全面考察并比较了不同的卷积神经网络架构，重点强调了它们的结构差异以及各自的优势、劣势、应用、挑战和未来趋势。

    Feb, 2024

  • 一维卷积神经网络及其应用：综述

    本文综合介绍了 1D CNN 的一般结构和原则、主要的工程应用领域以及这个领域的最新进展和其性能，着重介绍了 1D CNN 的一些独特性质，并公开了其中所使用的基准数据集和主要软件。

    May, 2019

  • 深度卷积神经网络最近的架构调查

    本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍 CNN 组件的基础理解、当前挑战和应用领域。

    Jan, 2019

  • 卷积神经网络的近期进展

    这篇论文总结了深度学习中最广泛研究的卷积神经网络在不同方面的改进方法和优化技术，并介绍了其在计算机视觉、语音和自然语言处理等领域的应用。

    Dec, 2015

  • 卷积神经网络简介

    本文简要介绍了卷积神经网络（CNN），讨论了最近发表的论文和开发这些出色的图像识别模型的新技术。CNN 主要用于解决难以处理的图像驱动的模式识别任务，并采用精确而简单的结构，为人工神经网络提供了一个简化方法。

    Nov, 2015

  • 计算机视觉深度卷积神经网络分类

    该研究论文探讨了计算机视觉问题中使用深度学习技术的发展趋势，着重介绍了卷积神经网络（CNNs）及其应用，帮助初学者了解何种深度网络适用于计算机视觉问题。

    Jan, 2016

  • 深度卷积神经网络的普适性

    本研究破解了学习理论中的一道难题，证明了深度卷积神经网络（CNN）是通用的，可以通过增加深度来达到任意精度的连续函数逼近，并且在处理大维度数据方面非常高效。同时我们的研究证明了卷积在深度 CNN 中的重要作用。

    May, 2018

  • 卷积神经网络结构分析与优化

    本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述，并描述和评估了一些层次分类器。此外，本文还开发了一种可视化分类错误的新方法，并在 CIFAR-100 上量化了一些结果，如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型，它只有 100 万个学习参数，适用于 32x32x3 和 100 类输入，并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。

    Jul, 2017

  • 卷积神经网络作为视觉系统模型：过去、现在和未来

    本综述介绍了卷积神经网络（CNN）在计算神经科学中作为良好模型的特征，以及这些模型如何在理解和实验生物视觉方面提供启示，并讨论了在基本物体识别之外的视觉研究中使用 CNN 的新兴机会。

    Jan, 2020

  • 深度学习应用于自然语言处理

    本文介绍了卷积神经网络（CNNs），其不同变体以及如何将其应用于自然语言处理（NLP）。

    Mar, 2017