模糊池化
本研究通过提出的模糊卷积神经网络(FCNN)模型对表格数据进行分类,通过实验证明该模型在学习有意义的表征方面表现出竞争性或优越性能,为结构化数据分析提供了新的机会。
Jun, 2024
本文提出了一种基于量化的方法,称为 Convolutional BoF,使用 RBF 神经元对从卷积层中提取的信息进行量化,并且能够原生地分类各种大小的图像,同时显著减少了网络中的参数,通过三个图像数据集的实验证明了该方法降低了网络参数并提高了分类精度。
Jul, 2017
本文介绍了一种去除伪影的下采样操作 ——FrequencyLowCut pooling,并通过结合 FGSM 的对抗训练在模型鲁棒性和过拟合方面取得了显著改善。
Apr, 2022
本文介绍了一种名为 “Recombinator Networks” 的模型,该模型可以在不影响鲁棒性的前提下,通过信息重组的方式实现对精确定位的支持,相较于传统的基于求和和拼接的方法,其精度有显著提升,并将误差降低了 30%。同时作者还提出了基于卷积神经网络的去噪预测模型,进一步提升了该模型的性能。
Nov, 2015
本文介绍了一种基于图的 CNN 架构,采用节点变化的 GF 代替传统卷积,通过局部操作提取不同的本地特征,以解决在不规则域中信号处理的问题,并在综合实验中进行了测试。
Oct, 2017
本文提出了一种多级小波卷积神经网络 (MWCNN) 模型,通过将小波变换嵌入到 CNN 体系结构中,以在减少特征映射分辨率和增加感受野之间实现更好的权衡,以实现图像去噪、单图像超分辨率、JPEG 图像伪影去除和物体分类等任务的有效性。
Jul, 2019
本文介绍一种新技术 cross-convolutional-layer pooling,并探讨卷积层激活的图像表示方式在使用中的优点和不足,通过应用于四个流行的视觉分类任务,证明该方法具有可比较或显著更好的性能,而造成的计算成本要低得多。
Nov, 2014
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
介绍了一种新型的池化算子 RNNpool—— 基于循环神经网络,可在大的图像区域上高效地聚合特征,快速下采样激活映射。在标准视觉任务中应用于 MobileNets、DenseNet 等多种体系结构,可显著降低推理的计算复杂度和峰值内存使用量,保持可比的准确性。使用 RNNpool 与标准 S3FD 体系结构构建了一种面部检测方法,在 256 KB RAM 以下的微型控制器上实现了最先进的 MAP。
Feb, 2020