Nov, 2023

级联学习用于视觉场景分类任务中的特征定位

PDF
TL;DR通过两种不同的学习模式来探究通过特征定位的方式学习到的特征，在医学和自然数据集上的分析表明了层级学习策略的优越性，本研究显示级联学习是一种有前景的区域预测方法，并在 YOLO 目标检测框架上显示出比端到端方案提升了 2% 的 mAP。
interpretabilitydeep convolutional neural networkslocalisationend-to-end learning strategycascade learning
发现论文，激发创造
  • 场景识别的本地监督深度混合模型

    本文提出了一种新的局部监督深度混合模型，通过增强和探索卷积特征来实现场景识别，并将特征编码成局部中层表示，与高层特征协同使用以取得出色的性能。

    Jan, 2016

  • 视觉识别的深度协同学习

    本研究使用深度协同学习（DCL）方法，将卷积层分解成两个小的卷积层，然后将它们在每个空间位置处融合，以减少计算复杂度和模型复杂度，同时提高在各种视觉识别任务中的准确性，减少模型参数 (在 AlexNet 中减少 16.82%)。

    Mar, 2017

  • 基于深度特征的判别定位学习

    本文研究了全局平均池化技术在卷积神经网络中应用的原理，发现其可以使网络更好地实现局部特征定位，从而建立了一种通用的可局部化的深层表示方法，并通过实验证明其在物体定位等各种任务上的有效性。

    Dec, 2015

  • 基于遗传算法的特征选择和上下文集成的深度学习模型

    本研究提出了一种新型的三层深度学习模型，通过引入一对多二元类别学习器，学习遗传算法优化的特征，并同时学习全局和局部上下文信息，从而优化整个模型以在图像分割方面取得有希望的结果。

    Apr, 2022

  • DeepProposal: 通过串联深度卷积网络层来搜索物体

    本文通过对卷积神经网络 (CNN) 的激活层质量进行评估，提出了一种卷积神经网络的级联方法，它通过级联的方式从 CNN 的最终卷积层到初始层中选择最有前途的物体区域并处理它们的盒子，从而提高物体识别的性能。

    Oct, 2015

  • 通过深层级联实现难度感知的语义分割

    通过深度层级级联方法（LC）对模型级联（MC）进行改进，加速和提高语义分割的计算效果。在 PASCAL VOC 数据集上取得了最先进的性能和快速速度。

    Apr, 2017

  • ECLAD：使用局部聚合描述符提取概念

    通过 CNN 激活图像素聚合的表示，提出了一种新型的自动概念提取和定位方法，并基于图像的像素注释，引入了一种验证过程来减少人工干预，从而超越了现有方法。

    Jun, 2022

  • 使用深度特征图进行弱监督定位

    本文提出了一种使用仅图像标签训练的分类网络的弱监督对象定位算法，该方法利用卷积层中捕获的局部空间和语义模式来检测和定位图像中的多个物体，通过采用有效的束搜索方法，该方法在标准对象定位数据集中明显优于现有技术，mAP 得分提高了 8 个点。

    Mar, 2016

  • DenseCap: 全卷积定位网络用于密集字幕

    该研究介绍了密集报告任务，提出了一种全卷积定位网络（FCLN）架构来联合处理图像的局部定位和描述，在视觉基因组数据集上进行了评估，证明相比现有技术的基线，其速度和准确性都有所提高。

    Nov, 2015

  • 具有统计保证的数据自适应的判别特征定位

    本文利用两个真实数据集，通过两个关键特征：自适应性、预测重要性和有效性，提出了基于对抗攻击的特征定位框架，通过测量广义偏相关系数来提供定位到的特征的统计确信度，并将所提出的方法应用于 MNIST 和 MIT-BIH 数据集的卷积自编码器，与现有的启发式方法相比，该方法表现优异。同时，配套的 Python 库 dnn-locate 实现了所提出的方法。

    Nov, 2022