Oct, 2023

使用激活色调损失对深度 CNN 层进行上色

PDF
TL;DR该论文提出了一种新的色调类似的角度参数来模型化深度卷积神经网络（CNN）激活空间的结构，称为激活色调，以实现更有效的学习的目的。通过对预训练网络的激活向量进行最近邻索引的一系列观察表明，类别信息激活在图像平面上的角度 θ 以及多通道激活空间中集中。提出了一种类似色调角度 θ 标签的正则化术语，以补充标准的 one-hot 损失。使用组合的 one-hot + 激活色调损失从头开始训练，在包括 ImageNet 在内的各种分类任务中略微改进了分类性能。
convolutional neural networkactivation hueregularizationclassification performanceimagenet
发现论文，激发创造
  • 多级激活用于层级嵌套类别的分割

    本研究提出一种新颖的方法，通过多层激活层和三种兼容的损失来编码基于拓扑学的先验信息，以解决生物图像分割任务中的问题，并在 2018 年的 Data Science Bowl 挑战中验证了该方法的效果，可以大幅提高分割的 Dice 分数。

    Apr, 2018

  • 卷积神经网络提取基于强度的颜色不变特征于图像分类的能力

    本文探讨了卷积神经网络在图像分类任务中受背景信息和色彩影响的能力，并提出利用 dropout 正则化对模型进行轻微结构修改以增强颜色不变性特征的分类准确度的潜在解决方案。

    Jul, 2023

  • 颜色均变网络

    我们设计了对色调和饱和度变化等感知转换具有等变性的卷积神经网络，通过观察到色调和饱和度变换可以分别与 2D 旋转和 1D 平移群相对应，实现了对这些感知变换的等变性，同时不增加网络参数。我们在合成和真实世界数据集上展示了我们的网络的实用性，其中颜色和光照的变化很常见。

    Jun, 2024

  • 色彩等变卷积网络

    本研究介绍了一种新颖的深度学习建模方法，即 Color Equivariant Convolutions (CEConvs)，通过在神经网络中引入参数共享的色调变换，实现了跨颜色频谱的形状特征共享同时保留重要的颜色信息，从而在解决基于颜色的数据偏移问题上具有很大的潜力。在实验中，我们将 CEConvs 集成到现有的体系结构中，如 ResNets，并展示了其对各种任务的下游性能和对颜色变化包括训练和测试分布的改善稳健性的优势。

    Oct, 2023

  • 通过热图调节改善物体计数

    本研究提出了一个名为 heatmap regulation（HR）的实用策略，通过生成简单的点注释来规范深度卷积神经网络的最终卷积层的激活图，成功地抑制了计数任务中由单纯的单目回归模型引起的误检和漏检等问题，并且在不同计数数据集上均得到了优越的成果。

    Mar, 2018

  • 多通道高分辨率卷积神经网络类激活图

    深度学习中越来越需要可解释的 AI。我们的工作旨在将来自较早和较晚网络层的信息结合起来，产生具有竞争力的高分辨率 Class Activation Map，从而准确定位图像特征，从而超越以前的艺术水平。

    Apr, 2022

  • 基于 Hourglass 网络的图像定位

    本文提出了一种基于编码器 - 解码器卷积神经网络结构的相机姿态估计方法，通过单张 RGB 图像来确定相机的方向和位置，包括卷积、上卷积和回归，利用大规模分类数据的转移学习，研究表明该方法在不同光照条件、反射和运动模糊的数据上具有良好的性能表现，与其他仅仅使用测试帧序列的方法相比具有明显的优越性。

    Mar, 2017

  • 神经网络激活的齐次线性不等式约束

    本文提出了一种方法来在神经网络激活中施加均匀的线性不等式约束，以结合数据驱动的训练方法和先前任务的先验知识。该算法可在测试时间内显著加速推理速度，并避免了在每个训练步骤中求解优化问题或手动调整超参数。该方法通过约束变分自编码器进行实验演示。

    Feb, 2019

  • 四元数卷积神经网络用于异构图像处理

    本文研究基于多元代数的四元数卷积神经网络在彩色图像重建任务上的成功原因，发现其可以更好地学习内部和外部关系以及更少的参数数量与灰度训练的情况下，在重建未看到的彩色图像上表现较好。

    Oct, 2018

  • 重新思考用于分割的类激活图：通过降噪展示浅层语义信息

    我们提出了一个基于梯度的简单去噪方法，用于过滤噪声并生成高质量的类激活图，通过大量实验验证了该方法在弱监督语义分割任务中的有效性。

    Aug, 2023