设计用于多尺度计算机视觉的高性能网络
本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法,使卷积神经网络计算效率最大化,并以 ILSVRC2012 分类挑战作为基准,报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络,评估单帧评估的 top-1 误差 21.2%和 top-5 误差 5.6%的显著成果。
Dec, 2015
过去十年来,深度学习模型在各种视觉感知任务中取得了显著进展,但其高计算资源需求限制了其在实际应用中的可行性。本综述通过四个关键领域的研究,即轻量级骨干模型的发展、面向特定计算机视觉任务的专用网络架构或算法、深度学习模型压缩技术以及在硬件平台上部署高效深度网络的策略,对计算效率高的深度学习进行了广泛分析,并讨论了该领域面临的关键挑战和未来研究方向。
Aug, 2023
在本文中,我们探索了以场景解析、人物部分分割和语义图像分割为任务的密集图像预测的元学习技术的构建,我们构造了一个有用的搜索空间并演示了即使是通过有效的随机搜索,我们也能够找到优于人工设计的架构以及在城市街景解析、人物部分分割和语义图像分割等三个密集预测任务上实现的最先进水平,同时减少一半的参数和计算成本。
Sep, 2018
本研究从大数据方面对卷积神经网络进行了分析,并在单个和多个网络模型上提出了有效的融合机制,为大数据从业人员提供了最佳实践,从而在保持计算成本较低的情况下,在基准数据集上取得了最先进的结果。
Aug, 2016
本文提出了一个利用多尺度卷积神经网络实现计算机视觉中深度预测、表面法线估计和语义标签等任务的方法,并在各项任务的基准测试中实现了最优表现。
Nov, 2014
最近在机器学习和深度学习研究领域的重大突破为利用海量数据和优化包含数百万参数的庞大模型以获得图像处理方面的准确网络提供了出色的工具,进而为在自动化和人工智能行业中使用人工智能打开了巨大的机遇。然而,随着越来越多的模型在实践中得到部署和使用,也出现了许多挑战。本文介绍了解决在实践中使用机器学习和深度学习所面临的鲁棒性和可解释性挑战的多种方法。
Mar, 2024
该论文研究了在测试时具有计算资源限制的图像分类问题,并通过训练多个带有不同资源需求的分类器并将其作为早期退出引入单个深度卷积神经网络中以最大程度地重用计算,实现了在任意时间进行预测和分配不同的计算量来分类一组样本,框架显著改善了现有技术在两种情况下的表现。
Mar, 2017
许多设备无法部署,普通对象的预训练数据集,以及潜在的偏见问题限制了大型预训练深度神经网络用于工业应用。本研究从太阳能电池片制造商的真实案例出发,构建了一个从零开始训练的神经网络,其参数更少、不依赖于第三方数据集,但性能与预训练深度神经网络相似。
Jan, 2022
深度学习与计算机视觉技术的集成应用效果的分析,通过构建分层神经网络实现了历史性的突破,能够进行端到端的特征学习和图像的语义理解,提出了深度神经网络模型在图像分类等任务中的卓越性能,同时指出了其在泛化和可解释性方面的局限性,并提出了未来改进的方向。深度学习与大量视觉数据的高效集成和发展趋势将继续推动计算机视觉领域的技术突破和应用扩展,构建真正智能的机器视觉系统。这种融合模式将为计算机视觉中前所未有的任务和功能提供强大的推动力,为相关学科和产业提供更强的发展动力。
Dec, 2023