卷积蛛网:从 2D 图像中增量学习的模型
该研究提出了 Cobweb4V,一种新颖的视觉分类方法,通过借鉴人类逐步学习新概念的方式,有效地学习视觉概念而不会出现灾难性遗忘效应,与人类认知的学习策略相符,是一种有前景的神经网络方法替代方案。
Feb, 2024
Cobweb 是一种类似于人类的类别学习系统,通过使用类别效用度量构建具有层级组织的认知树状结构。该研究证明了 Cobweb 能够捕捉到基层、典型性和粉丝效应等心理效应,从而填补了之前对 Cobweb 作为人类类别学习模型的综合评估的缺失。同时,它还探索了 Cobweb 在一个模型中能够同时表现出示例和原型化学习的灵活性。这些发现为进一步研究 Cobweb 作为人类类别学习的综合模型奠定了基础。
Mar, 2024
本文提出了一种使用大量网络数据来学习 CNN 的方法。具体地,我们利用了课程学习的思想,提出了一种 CNN 训练的两步方法,表现优异且鲁棒性强。我们使用这种方法在 VOC 2007 上实现了最佳性能,并在其中演示了网络监督学习的强大功能。
May, 2015
该论文提出了一种基于课程学习的弱监督学习方法,通过对大规模网络图像数据进行无人工标注的深度神经网络训练,实现对大量噪声数据和数据分布不均等问题的有效处理和噪声标签的负面影响的显著降低,构建一种新的课程学习架构,使得使用高噪声标签的图像作为一种正则化策略可以惊人地提高模型的泛化能力,在 WebVision、ImageNet、Clothing-1M 和 Food-101 等四个基准测试中取得了最先进的性能,多模型集成的结果在 1000 种类别分类中取得了 5.2% 的 top-5 错误率,相对误差率超过 50%。
Aug, 2018
本研究提出了一种协同描述符的新概念,通过使用卷积地图作为手工特征的输入,我们达到了深度学习和手工特征之间的协作。实验结果表明,在多类目标识别和汽车检测方面,性能分别提高了 17.06%和 24.71%。这一简单的框架应该可以得到继承来提高图像表示能力。
May, 2017
提出了一种增量训练方法,将原始网络分成子网络,并在训练过程中逐步将其合并到运行的网络中。此方法通过引入前瞻初始化,使网络动态生长更平滑,并可用于仅使用全局参数分数的情况下识别原始最先进网络的较小分区,以实现更快的训练。在 CIFAR-10 上报告了 ResNet 和 VGGNet 的训练结果。
Mar, 2018
本文探讨了在大型弱标记图像集上训练卷积网络以提升视觉特征表达的潜力,并证明了在 1 亿张 Flickr 图片与样本说明上训练出来的特征在多种视觉问题中表现良好,还能够妥善地捕捉单词之间的相似性,并学习不同语言之间的对应关系。
Nov, 2015
本研究提出了一种基于卷积神经金字塔(CNP)框架的、旨在解决低层次视觉和图像处理任务的方法,可实现低计算复杂度下大感受野视觉处理。此方法适用于图像复原、填补、降噪、去除伪影、边缘升华、滤波、增强和上色等应用领域。
Apr, 2017
本文提出一种新的卷积神经网络架构,名为 SpiderCNN,可用于提取点云中的几何特征。该架构采用称为 SpiderConv 的单元,通过对一组卷积滤波器进行参数化并将其扩展到不规则点集上,从而扩展了传统卷积操作的范围,并可用于不具有规则底层结构的域。我们的实验证明,SpiderCNN 在标准基准测试上的准确率为 92.4%,并且在分割任务上具有竞争性的性能。
Mar, 2018
本研究提出了基于 CNN 的 Convolutional Oriented Boundaries (COB) 算法,实现图像多尺度的边缘检测和分层分割。该算法具有较高的计算效率和泛化能力,并在多个数据集上取得了最优表现。
Aug, 2016