理解卷积神经网络从图像数据中学习特征的机制是机器学习和计算机视觉中的一个基本问题。本研究提出了卷积神经特征假设并通过实证和理论论证,证明了滤波器的协方差与输入层的补丁平均梯度外积具有高度相关性。此外,研究通过基于补丁平均梯度外积的 (深度) ConvRFM 算法在卷积核机器中实现了深层特征学习,克服了卷积核的局部自适应性限制,并在性能上取得了显著提升。
Sep, 2023
本文提出 Feature Fusion Net 模型,使用手工制作的直方图和纹理特征,能够与卷积神经网络 (CNN) 特征互补,可以得到一个更具区分性和紧凑的深度特征表示,并在 VIPeR、CUHK01 和 PRID450s 三个数据集上进行了验证。
Apr, 2016
为了提高卷积神经网络(CNNs)的分类准确率,但不增加计算与存储成本,我们提出了一种采用强化学习所选择的原始图像中的一系列相对较小的输入进行处理的框架,从而实现了高效的图像分类。实验表明,采用我们提出的方法可以在不牺牲准确性的前提下显著提高多种深度模型的计算效率。
Oct, 2020
本研究提出了一种简单而有效的前景注意力神经网络(FANN),通过引入前景针对子网和特征融合子网学习判别性特征表示来解决人员再识别问题,在多任务学习框架中训练 FANN,可以学习到一种判别性特征表示,能够在各种候选项中寻找与每个探针匹配的参考值。与最先进的方法相比,该方法在多个公共基准数据集上都显示出明显的改进。
Jul, 2018
本文提出了一个新的序列特征学习方法,Glance and Focus Network(GFNet),用于图像识别问题中的减少空间冗余和时间复杂度的优化,GFNet 采用类似人类视觉系统的粗到细的学习方式处理图像,并通过强化学习的方式定位图像中的显著区域,从而避免了手动标注的需求。实验表明,GFNet 能够大幅度降低 MobileNet-V3 在 iPhone XS Max 上的平均延迟 (1.3x),而精度没有任何损失。
Jan, 2022
本研究提出了利用特征重学习和三元组排序损失优化视频内容表示的方法,同时提高数据增强策略在帧和视频层级上的应用。在 Hulu 基于内容的视频相关性预测 Challenge 2018 中,本方法表现优异,为内容相关性预测领域提供了创新的思路和技术。
Apr, 2020
本文旨在深入探究 CNN 中的特征方面,发现 CNN 特征映射可用于随机森林和 SVM,以产生超越原始 CNN 的分类结果;使用较低层次的特征可以获得更好的分类结果。
Jul, 2015
本研究提出了一种基于概念和关系的解释方法(CoReX),用于解释和评估卷积神经网络(CNN)模型,以及支持识别和重新分类错误或模糊分类。
May, 2024
通过在预训练模型中应用可训练的 Refocusing Transformation 以建立参数之间的联系,并且以此来增强预训练模型的表征能力,RefConv 可以在图像分类、目标检测和语义分割等任务中改进多个基于 CNN 的模型而不引入额外的推理成本或更改原始模型结构。
Oct, 2023
该研究提出了一种利用反馈机制的学习算法,通过添加反馈层和生成强调向量,不断提升卷积神经网络的性能,特别适用于任何预先训练的模型,并在四个对象分类基准数据集上进行了测试,结果表明利用该算法训练 CNN 模型的优势。
Aug, 2017