Oct, 2023

ScaleNet：一种有限信息的无监督表示学习方法

PDF
TL;DR本研究提出了一种名为 ScaleNet 的简单高效的无监督表示学习方法，通过使用多尺度图像来增强有限信息条件下卷积神经网络 (ConvNets) 的性能，并展示了 ScaleNet 方法在旋转预测任务上的优越性及其对其他模型的分类任务的改进能力。
convolutional neural networksunsupervised representation learningscalenetrotation-prediction taskimage features
发现论文，激发创造
  • 通过预测图像旋转进行无监督表示学习

    本研究提出利用 2D 旋转来训练卷积神经网络学习图像特征的无监督语义特征学习方法，并在演示和各种无监督特征学习基准测试中详尽评估该方法，在所有测试中均表现出明显的优异性能。

    Mar, 2018

  • 本地尺度不变卷积神经网络

    本研究提出了一种可以使卷积神经网络具有局部尺度不变性的简单模型，从而在面对尺度变化时，可以学习到更具有区分性的特征，并减少过度拟合的风险。

    Dec, 2014

  • 深度图像分类中学习尺度变化和尺度不变特征

    本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征，并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明，我们的多尺度卷积神经网络优于单尺度卷积神经网络，从而得出结论：在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。

    Feb, 2016

  • Big-Little Net：一种高效的多尺度特征表示方法，用于视觉和语音识别

    该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

    Jul, 2018

  • SINet: 一种针对快速车辆检测的尺度不变卷积神经网络

    本文提出了一种基于卷积神经网络的无尺度检测技术，通过采用上下文感知的 RoI 池化和多分支决策网络，实现了无尺度对象识别，并在多个数据集上达到最优准确性和速度。

    Apr, 2018

  • 组尺度旋转等变 UNet 用于组织病理学图像分割

    本论文提出了基于尺度空间理论的比例等变 UNet（SEUNet）进行数字组织病理学图像分割，实验结果表明该方法在训练参数更少的情况下优于其他方法。

    Apr, 2023

  • 基于数据驱动的神经元分配用于规模聚合网络

    本文提出了一种数据驱动的神经元分配方法，以自适应地在深度神经网络的不同构建块中汇总多尺度信息。通过使用基于堆栈的采样、卷积和上采样操作生成每个尺度的特征映射，探索神经元分配方法，对计算复杂度进行了大规模的实验测试，并成功地应用于图像分类和目标检测任务，在与 ResNet 和其变体的对比中， ScaleNet 能够获得更好的性能。

    Apr, 2019

  • S-Net：一种用于 JPEG 压缩伪影抑制的可扩展卷积神经网络

    该研究提出了一种可扩展的 CNN 框架，名为 S-Net，旨在通过动态调整网络规模，以达到实时操作，并最大化网络效率，实验证明其在 JPEG 压缩去噪方面的性能优于其他基于 CNN 的方法。

    Oct, 2018

  • 尺度不变卷积神经网络

    本文提出了一种尺度不变的卷积神经网络（SiCNN），采用多列结构，每一列专注于特定尺度，用尺度变换共享相同的滤波器参数，以应对尺度变化，实验结果表明 SiCNN 能够检测各种尺度的特征，并且分类结果表现出对物体尺度变化的强大鲁棒性。

    Nov, 2014

  • 使用 CNN 进行场景识别：对象，尺度和数据集偏差

    通过分析 ImageNet-CNNs 和 Places-CNNs 在不同尺度上的响应，本文提出了一种基于尺度的深度学习算法，并发现 scale-specific CNN 对于提高物体场景识别的准确性至关重要。实验结果表明，简单而精心选择的 ImageNet-CNN 和 Places-CNN 的多尺度组合可以将 SUN397 的最新识别准确性推至 66.26％（甚至在更深的架构中达到 70.17％，与人类的表现相当）。

    Jan, 2018