通过模式挖掘识别和使用深度学习骨干网络
本文研究了视觉模式挖掘的问题,并提出了一种名为 PatternNet 的新型深度神经网络结构,用于发现具有辨别性和代表性的模式。使用卷积神经网络中的卷积层滤波器来查找局部一致的可视化块,通过组合这些过滤器,我们可以有效地发现独特的视觉模式,从而提高了视觉识别的性能和效率。
Mar, 2017
本文提出了一种基于模式挖掘的中层视觉元素发现方法,利用卷积神经网络的全连接层的神经元激活进行模式挖掘,从而实现图像分类任务中的中层视觉元素的自动发现。经实验证明,该方法在中层视觉元素发现任务上表现优异,在目标分类任务上也能够取得良好的性能。
Nov, 2014
本文介绍了一些基于最近深度学习的集体知识挖掘的神经网络结构设计原则,并提出了 FractalNet、Stagewise Boosting Networks 和 Taylor Series Networks 等创新型架构。
Nov, 2016
本文概述了深度学习的一些关键多层人工神经网络以及使用多智能体方法的新型自动体系结构优化协议;以及深度学习在异常行为检测、预测和预测分析、医学图像处理和分析、电力系统研究等应用领域的探索性调查。
May, 2019
研究比较了多种不同的深度学习模型,发现在预测业务流程中下一步活动的性质和时间戳时,简单的多层感知器(MLP)往往表现优于 Sophisticated Deep-learning Models。在应用自动化过程预测技术时,需要注意在业务流程的不同阶段进行反思和评估。
Feb, 2021
本篇论文调查了如何通过多面体理论以及线性规划技术对神经网络进行训练、验证和缩小规模,并概述了深度学习和神经网络中使用的关键词,如 ReLU(线性修正单元)等。
Apr, 2023
综述了深度学习在计算机视觉、自然语言处理、时间序列分析和普适计算领域的最新模型以及其在解决各个领域问题中的有效性,并介绍了深度学习的基础知识、各种模型类型以及重要的卷积神经网络架构,并讨论了深度学习研究的挑战和未来方向。
Mar, 2024