Jul, 2023

基于目标的稀疏潜在特征的全卷积网络的概率相似性证据

PDF
TL;DR利用神经网络进行相似性分析是一种理解和分类各个领域中复杂模式的强大技术。本研究探讨了完全卷积网络（FCNs）生成的潜在信息在相似性分析中的应用，特别是用于估计二维图片中对象的视觉相似度。这一分析方案包括两个步骤：（1）从经过训练的 FCN 中提取和转换每个二维对象的特征模式，（2）通过模糊推理来识别最相似的模式。通过考虑分析中潜在变量的重要性，可以进一步增强第二步，并提供有关使用基于神经网络的相似性分析有效地辨别数据模式的好处和挑战的宝贵见解。
发现论文，激发创造
  • 卷积神经网络的量化语义比较

    本篇论文提出两种方法来量化 CNN 潜在空间中语义信息的相似度，以解决模型透明性问题。通过将这些方法应用于三种不同的目标检测器和两个数据集，我们的研究表明相似的语义概念是在所有 CNN 体系结构中学习的，且相似的概念出现在相似的相对层深度中，而与总层数无关。该研究成果有望实现 CNN 模型选择的知情和语义信息处理的理解。

    Apr, 2023

  • 深度相似网络的可视化

    本文介绍了一种针对卷积神经网络模型中图像嵌入优化的方法，用于突出显示贡献最大的图像区域，可用于相似性学习领域的问题。我们还将该方法推广至使用不同池化策略的嵌入网络，并提供了一种支持查询图像中物体或子区域的图像相似性搜索的简单机制。

    Jan, 2019

  • 多层神经网络在物体识别中的性能分析

    本文探讨了卷积神经网络在计算机视觉问题中的特征学习，主要关注 CNNs 和工程化表示（如 SIFT 和 HOG）之间的差异。

    Jul, 2014

  • 全卷积自相似网络用于密集语义对应

    本研究提出了一种基于全卷积自相似性（FCSS）的描述符，用于密集的语义对应。与现有的基于 CNN 的描述符不同，FCSS 是因其 LSS-based 结构本质上不敏感于类内外观变化，同时保持了深度神经网络的精确定位能力。通过在拟议网络中以端到端和多尺度的方式联合学习局部结构的抽样模式和自相似性度量。本研究建议利用现有图像数据集中提供的对象候选先验和对象对之间的一致性，以实现弱监督学习。实验表明，在各种基准测试中，FCSS 胜过传统手工制作的描述符和基于 CNN 的描述符。

    Feb, 2017

  • 完全卷积网络优化空间的可视化洞察

    本文通过可视化优化地形图，比较了三个基于 FCN 的模型在多个数据集上的性能，并探索了 FCN 中跳过层连接与模型广义能力之间的关系，以及不同批量大小下的损失表面与模型广义能力的关系。

    Jan, 2019

  • 一种新的特征混淆方法揭示了卷积神经网络学习空间关系的能力

    该研究使用特征打乱的方法，结合 CNNs 的最小可识别构型分析和有效接受域尺寸的系统控制，探索了 CNNs 在对象分类中是否使用特征的空间排列，并且发现它们实际上能够利用相对较远的空间关系进行对象分类，同时证明 CNNs 使用的空间关系程度非常依赖于特定数据集和该数据集中不同类别对象的分类策略也不同。最后，研究还发现 CNNs 只能学习特征的中间粒度的空间排列，这提示了在对象分类中中间层次的形状特征提供了敏感度和特异性之间的最佳平衡点。

    Dec, 2022

  • 基于卷积神经网络的目标检测概率模型

    本文提出了一种基于概率模型和强大搜索框架的卷积神经网络探测器，旨在解决区域信息浪费和效率与准确性之间的权衡问题，通过将图像映射为对象的概率分布，该模型以更少的计算量提供更丰富的输出，并在 FDDB 上进行了一系列实验证明了该模型的可靠性、效率和解析性。

    Aug, 2018

  • 通过特征模式一致性约束提高对抗鲁棒性

    通过分析网络中的潜在特征行为，我们引入一种新颖而有效的特征模式一致性约束（FPCC）方法，以增强潜在特征维持正确特征模式的能力，从而使模型在面对对抗性示例时具有内在的对抗鲁棒性，超过最先进的模型。

    Jun, 2024

  • 深度无监督学习视觉相似性

    本文提出了一种利用局部相似性的弱估计，通过单个最优化问题提取具有一致性关系的样本批次，将视觉相似性学习作为分类任务的序列，并使 CNN 巩固群体内和群组间的传递性关系，学习所有样本的单个表示。

    Feb, 2018

  • 利用卷积在干草堆中寻找针头：探讨结构偏置的优势

    该研究通过比较卷积神经网络（CNN）和全连接网络（FCN）在损失景观中的动态性来探讨它们究竟有什么不同。他们引入了一种将 CNN 映射为其等效 FCN（称为 eFCN）的方法，以直接在 FCN 空间中比较 CNN 和 FCN 的培训动态。该研究还测试了一种新的培训协议，证明了 eFCN 对于某些中间时刻可以优于 CNN。这表明在优化的早期阶段，CNN 的先验有助于浏览损失景观，从而实现更好的泛化。

    Jun, 2019