目标检测、识别、深度学习与普适性归纳法则
本文综述了深度学习方法在目标检测领域的应用及其取得的进展,涵盖了检测框架、特征表示、目标提议生成、上下文建模、训练策略和评估指标等方面,并指出了未来研究的方向。
Sep, 2018
分析一个由 214,200 个人类相似性判断和 390,819 个人类普遍性判断数据所组成的高维数据集,提供支持 Shepard 通用相似度定律的间接证据。
Jun, 2023
本文旨在研究和描述深度学习模型对于目标在不同旋转角度下的 2D 图像是否能够进行准确分类,探讨了三种通用的模型 (3D 通用、纯 2D 匹配和基于视角线性组合匹配) 在模型泛化性方面的表现,其中可以发现深度模型泛化能力强,但是其实现方式与这些现有模型不同。
Apr, 2023
本研究探讨类别学习和奖励学习实验中的泛化技能和预测人类行为的最有效表示方法,结果表明,深度学习模型从文本和图像数据中训练得到的表示方式优于仅从图像中训练得到的表示方式,强调了语言在塑造人类认知中的作用。
Jun, 2023
本研究回顾了关于人类目标感知和深度神经网络模型在目标识别方面的相关工作,并探讨了这两个领域如何相互促进,提供了发展新实验任务和推动深度神经网络模型中的目标识别的基准的认知文献和实验任务。
Sep, 2021
本文比较了人类视觉系统和深度神经网络(DNN)在图像退化方面的泛化能力,发现人类视觉系统更加耐受于图像处理,而当信号变弱时,人类和 DNN 的分类误差模式逐渐分离,这表明在视觉识别方面,人类和 DNN 之间仍存在显著差异。
Jun, 2017
本文研究使用一小组源类别训练检测模型如何生成泛化到未见过的类别的 proposals,通过对数据集的视觉多样性和标签空间粒度的属性研究,引入了原型类别的概念,提出只需用 25% 的类别即可训练得到性能不差的 proposals,同时表明 Faster R-CNN 模型相比 RetinaNet 等单阶段网络更适合泛化生成 proposals。
Aug, 2020
本文研究基于儿童视觉物体识别能力的发展轨迹和 Bar (2003) 的理论,提出一种深度卷积神经网络训练的优化策略,在基础级别物体分类的基础上训练亚目标级别分类,进而在小型数据集的迁移学习中取得了优秀的效果提升,证明本方法的可行性和有效性。
Nov, 2015
本文提供了一种基于形状模板的方法,该方法包括选择、收集和组合图像边缘线段的几何证据,旨在从背景中精确找到目标对象,并能识别出目标对象的语义属性。通过解决全局最优组合优化问题,该方法具有较好的通用性和环境适应性,显示了在对象识别的过程中某些类型的通用处理的潜力。
Jun, 2023
本文回顾了基于深度学习的目标检测框架,从深度学习和卷积神经网络教程开始,介绍了典型的通用和特定目标检测架构以及改进方法和技巧,并提供了实验数据分析,最后提出了未来研究中的几个有前景的方向和任务。
Jul, 2018