探索未知领域：理解层调整对图像分类的影响

Jan, 2024

探索未知领域：理解层调整对图像分类的影响

Exploring the Unexplored: Understanding the Impact of Layer Adjustments on Image Classification

Haixia Liu, Tim Brailsford, James Goulding, Gavin Smith, Larry Bull

TL;DR研究调整深度学习结构对图像分类的模型性能产生的影响，发现图像处理管道中的滤波操作是关键，图像处理前的滤波效果更好；层的选择和顺序以及滤波器放置方式对模型性能有显著影响，这项研究为优化深度学习模型提供了有价值的见解，未来的研究可以着重在协作平台方面展开。

Abstract

This paper investigates how adjustments to deep learning architectures impact model performance in image classification. Small-scale exper

deep learning architectures image classification filtering operations model performance optimizing deep learning models

发现论文，激发创造

可视化与理解卷积网络

介绍了一种新的可视化技术，通过消融研究得出了超越 Krizhevsky 等在 ImageNet 分类基准上的模型架构，其 ImageNet 模型表现优异并且泛化性良好，可以轻松地在其他数据集上取得优异的分类效果。

Nov, 2013

使用深度学习进行图像分类中数据增强的有效性

本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用 GAN 生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

Dec, 2017

基于深度卷积神经网络的图像分类的一些改进

通过给训练数据增加更多的图像变换、给测试时产生更多的预测和使用应用于更高分辨率图像的补充模型等多种技术，我们改进了目前基于深度卷积神经网络的图像分类流程，并在 Imagenet 大规模视觉识别挑战赛 2013 中获得了前五名，我们的系统分类错误率为 13.55％，相对于上一年的获胜者，出现了超过 20％的相对提高。

Dec, 2013

CNN Filter DB: 训练卷积过滤器的实证研究

本文研究的是卷积神经网络的权重分布偏移对于预训练模型的稳健性的影响，提出了一个包含超过 14 亿卷积滤波器的数据集，并通过分析数据集展示了现有预训练模型的一些局限性。

Mar, 2022

深度神经网络的特征层级增强提高仿射变换鲁棒性

本文提出了在中间神经网络层引入数据增强以改善卷积神经网络不适用于少量像素旋转或平移的问题，并证明该方法比已有的两种方法获得更好的精度和平均翻转比。

Feb, 2022

基于可分离性的泛化量化方法：哪一层最佳？

评估深度学习模型在新颖数据上的泛化能力，通过对神经网络各层的性能评估，发现高分类准确性并不意味着高泛化能力，深层网络不总是最好的泛化模型，对模型不同层的泛化能力进行了探讨。

May, 2024

网络架构与复杂度关系的实证研究

本文探讨了网络处理数据复杂性变化的实证研究，以图像分类任务为例，测量了不同网络体系结构对不断增加的类别数目所产生的泛化误差变化情况。