CRAFT:用于人脸识别训练的上下文滤波器重新激活
深度学习在计算机视觉中取得了重大突破,特别是在图像分类任务中。通过代替高度激活的特征,我们提出了一种名为 Catch-up Mix 的新方法,旨在解决模型对特定滤波器的过度依赖问题,在各种视觉分类数据集上表现出卓越的鲁棒性。
Jan, 2024
本文介绍了一种基于深度卷积网络提取特征的方法,该方法可以将原来应用于特定任务的深度卷积网络迁移到其他任务中,实现了在多个重要视觉挑战中超越现有技术的效果,并发布了开源工具 DeCAF 和所有相关网络参数。
Oct, 2013
本文从生成的角度研究了卷积神经网络,提出了一种学习基于卷积层过滤器的生成 FRAME 模型的方法,并说明了每个学习的模型对应于上面一层的新 CNN 单元,最终展示了利用这样的生成 CNN 模型学习新的 CNN 单元的可能性,学习算法允许使用二元潜变量的 EM 解释。
Sep, 2015
研究表明,通过暂时修剪和恢复模型的子集滤波器,反复进行该过程,可以减少所学习特征的重叠,从而提高了模型的泛化能力;而在这种情况下,现有的模型修剪标准并不是选择修剪滤波器的最优策略,因此引入了滤波器之间内部正交性作为排名标准。这种方法适用于各种类型的卷积神经网络,能够提高各种任务的性能,尤其是小型网络的性能。
Nov, 2018
本研究提出了一种递归滤波器生成方法来进行视觉跟踪,直接将目标的图像块作为输入,使用递归神经网络来生成一个特定于目标的滤波器,通过将 RNN 中的全连接层的矩阵乘法扩展到特征图上的卷积运算,对目标的空间结构进行保留和内存优化。
Aug, 2017
本研究中提出一种使用小型元网络学习文本处理的上下文敏感卷积滤波器的方法,并将该框架进一步推广到模拟句子对,通过可视化学习的上下文敏感滤波器验证了所提出的框架的有效性。
Sep, 2017
通过深度网络剪枝等方法,对基于小型 SqueezeNet、流行的 MobileNetv2 和 ResNet50 架构的网络进行压缩,以实现移动设备上的可靠且实时的人脸识别。
May, 2024
该论文提出了一种称为过滤器移植的新学习范式,旨在提高深度神经网络的表示能力。通过移植外部信息(权重)来重新激活无效滤波器,采用熵 - 基准进行筛选,自适应权重策略平衡嫁接信息,经过移植操作后,网络的无效过滤器很少,从而使模型具有更强的表示能力。
Jan, 2020
本文提出一种基于深度卷积神经网络(DCNN)的计算机辅助诊断(CAD)方法,使用不同的降维方法组合 DCNN 的特征,提高二分类任务的准确性。实验结果表明,在 BreakHis 数据集上,使用预训练 AlexNet 作为特征提取器和线性降维算法 PCA,在 23 个特征向量和累计解释方差(CEV)为 0.15 的情况下,可以将分类准确性提高 4.3%至 91.13%。
Jan, 2023
介绍一种新的动态滤波网络架构,使得学习的滤波器可以根据输入动态生成,具有高度适应性,且不会过多增加模型参数。通过可视化学习到的滤波器,证明该网络可以在无标签数据上学习信息,从而可以用于各种无监督预训练任务,例如光流和深度估计。
May, 2016