Jan, 2021

深度卷积核方法中贴片的不合理有效性

PDF
TL;DR在卷积内核方法中进行了数据组成特征提取的重要性研究，提出了一个数据驱动的卷积内核方法，通过对其效果进行广泛的研究，证明该方法已经在 CIFAR-10 分类准确性方面取得了与之前更复杂的卷积内核方法相同的准确性，将该方法扩展到 ImageNet 数据集，证明了该方法可以超越所有现有的非学习表示方法，成为目标识别的新基准。
发现论文，激发创造
  • 基于内核视角的深度卷积模型近似和学习

    本研究通过核方法的角度对卷积核网络进行了研究，发现其 RKHS 由补丁之间的交互项的加性模型组成，其范数通过汇聚层促进这些项之间的空间相似性，并提供了泛化界，以说明池化和补丁如何提高样本复杂度保证。

    Feb, 2021

  • 学习使用卷积神经网络比较图像片段

    本文介绍了如何用卷积神经网络 (CNN) 从图像数据中直接学习通用的相似性函数，以比较图像补丁。我们的实验表明，这种方法在多个计算机视觉问题和基准数据集上都取得了极大的成效。

    Apr, 2015

  • 卷积和池化在核方法中的学习

    本研究探讨了一层卷积、汇集和降采样操作组成的核的 RKHS，并用它来计算高维函数的一般化误差尖锐的渐近值。结果表明，卷积和池化操作在一层卷积核中如何在逼近和泛化能力之间权衡。

    Nov, 2021

  • 弱监督目标分类和发现的深度补丁学习

    本文提出了一种基于弱监督的学习方法，通过将图像视为一个包中的实例将其融入到深度神经网络中，将弱监督的多实例学习约束与深度神经网络集成在一起，并采用端到端的方式优化网络以实现对象分类和发现任务。在 PASCAL VOC 数据集上的测试表明，该方法在对象分类方面可以获得最先进的性能，并且在对象发现方面也具有很强的竞争力，并且测试速度比竞争者更快。

    May, 2017

  • 面向深度神经网络欺骗的局部攻击

    通过像素级别的操作产生黑盒攻击算法，并通过放大因子和项目核来处理像素的梯度溢出，将该方法用于梯度攻击算法的所有类别中，显著提高了对防御模型和一般模型的攻击成功率。

    Jul, 2020

  • 如何将核方法扩展到与深度神经网络一样好

    通过基于随机投影导出的特征近似核函数，提出了有效地克服核方法计算复杂度的方法，并在图像识别和语音识别等大规模学习问题上成功地比较了核方法和深度神经网络的性能，同时克服了模型调节的困难。

    Nov, 2014

  • 卷积核网络

    通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。

    Jun, 2014

  • 可微分的图像识别补丁选择

    通过不可区分的 Top-K 算子选择图像中最相关的部分，以高效处理高分辨率图像。 该方法可以与任何下游神经网络接口，以灵活的方式聚合不同补丁的信息，并允许整个模型使用反向传播进行端到端训练。该结果适用于交通标志识别，补丁之间的关系推理以及在训练期间不使用对象 / 部件边界框注释的细粒度识别。

    Apr, 2021

  • 高效决策型黑盒补丁攻击

    本文提出了一种增强的基于对抗样本攻击方式，并探索了不依赖于网络输出数量的决策性基于修补程序的攻击方法，使用称为 DevoPatch 的差分进化算法。实验证明 DevoPatch 优于现有方法，在给定查询预算内攻击成功率更高。

    Jul, 2023

  • 用具有池化层的 CNN 进行快速特征提取

    本文提出了一种针对整个图像计算基于补丁的局部特征描述符的有效方法，适用于几乎所有现有的网络架构和局部特征提取任务，包括摄像机标定、Patchmatching、光流估计和立体匹配等任务，并对任意 CNN 架构进行了速度基准测试和示例代码的展示。

    May, 2018