分层复杂匹配学习产生了一个更好的 V2 皮层模型
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
我们建立了一个自监督深度学习模型,用于检测扣带区域的皱褶模式,在包括人体连接组计划和英国生物银行在内的大规模数据集上进行了测试,并取得了量化的评估结果。
Jan, 2024
本文研究基于儿童视觉物体识别能力的发展轨迹和 Bar (2003) 的理论,提出一种深度卷积神经网络训练的优化策略,在基础级别物体分类的基础上训练亚目标级别分类,进而在小型数据集的迁移学习中取得了优秀的效果提升,证明本方法的可行性和有效性。
Nov, 2015
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。
Nov, 2023
这篇论文提出了一种受到神经科学和自监督深度学习最新进展启发的学习规则,使用局部,赫布规则进行权重更新,并具有深度分层的图像、语音和视频表示。
Oct, 2020
提出了一种基于弱监督对比学习的框架 (WCL),该框架使用两个投影头进行正则的实例区分任务,一头使用基于图形的方法找到相似的样本并生成弱标签,另一头使用这些弱标签进行有监督的对比学习任务,以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题,并在不同的数据集上提高了自监督表示品质,尤其是在半监督学习中达到了新的最优结果。
Oct, 2021
我们提出了一种基于无监督自动学习的方法,可以学习出具有小样本复杂度的好的表示方法,在视觉对象识别等领域可以得到应用。通过无监督学习期间存储的一组模板,可以对每个图像块计算一种不变而又唯一的(有区分性的)签名,从而从很少的有标记例子中学习图像识别。
Nov, 2013
我们介绍了一种自我监督的方法,用于检测大脑皮层的 2D 尼氏染色的组织切片中的层次结构,该方法可以加速细胞构造分析,避免注释需求并推进跨物种研究。
Nov, 2023
介绍一个新的神经网络架构和无监督算法,用于学习从时间序列图像中获得不变表示,该系统使用两组复杂细胞,一个表示图像的内容,另一个表示精确的位置特征,并且使用一个编码器提取特征。
Jun, 2010
DNNs guided by neural representations from the human ventral visual stream display increasing robustness to adversarial attacks, develop more human-like decision-making patterns, and suggest new robustness solutions by emulating the human brain.
May, 2024