- ECCV卷积神经网络大采样场动态过滤
我们提出了一种大采样场的动态过滤策略,用于 ConvNets 中,该方法使用位置特定的卷积核,能够从不仅相同位置,而且多个采样的邻域中进行学习,同时引入残差学习和注意力机制,以融合来自不同样本的特征。我们在对象检测,语义分割和流估计等任务中 - 基于深度池化的卷积神经网络大规模三维动作识别
本论文提出了三种简单、紧凑而有效的深度序列表示,称为 DDI、DDNI 和 DDMNI,用于孤立和连续行为识别。在这些动态图像上,设计了基于 ConvNet 的方法进行行动识别,取得了三个大型数据集上的最先进结果,即 Large-scale - 3DContextNet:利用局部和全局上下文线索,通过 K-d 树引导的分层点云学习
本文提出了一种基于 k-d 树的方法,旨在同时利用点云的局部和全局背景信息,通过沿树结构逐步学习表征向量,从而生成区分度强的点集特征。实验证明,该方法在 3D 场景语义分割等任务上明显优于现有的方法。
- ECCVConvNets 和 ImageNet 超越准确性:理解错误和揭示偏见
本研究从人类参与和解释性的角度出发,探究了 ConvNets 和 Imagenet 在图像分类上的性能、鲁棒性和偏差问题,并以实验和工具提出了解释作为改善模型可靠性和理解性的有效手段。
- 残差门控图卷积网络
本文研究了将深度学习方法推广到图论领域,通过对比 RNN 和 ConvNet 的效果,将门控边缘和残差技术用于设计神经网络对图学习任务进行分类,获得了比现有方法更高的准确率和更快的速度。
- 卷积神经网络的深度学习用于 EEG 病理解码和可视化
本研究使用卷积神经网络来区分病态 EEG 记录和正常的 EEG 记录,进一步建立自动 EEG 诊断的基础,研究中使用多种模型和可视化技术,最终获得较高的准确度和谱特征的变化对于疾病诊断有一定的指导意义,并且整个研究为未来的相关工作提供了一定 - ICCV基于时空方向导能网络的动态纹理识别
本文介绍了一种新颖的分层时空方向表示,用于时空图像分析,并将多层 ConvNets 的优点与更可控的时空分析方法相结合。它的一些关键方面是无需学习,采用理论推导进行设计,并具有循环性质、交叉通道特征汇集和层级结构。它在动态纹理识别方面性能表 - 卷积神经网络结构搜索用于时空特征学习
基于 ImageNet 预训练的 ConvNets 在图像识别方面已经得到了证明,但是为了捕捉到运动模式,仍然需要专门的时空特征学习,本文提出了一种经验 ConvNet 架构搜索方法,通过 3D 残差 ConvNet 实现,其在 Sport - ICCV二阶信息对大规模视觉识别有用吗?
该论文提出了一种基于高级特征的协方差汇集方法,即 Matrix Power Normalized Covariance (MPN-COV),并在 ImageNet 上的测试中表现出了显著的成果,特别是在 AlexNet,VGG-M 和 VG - 使用卷积神经网络对结肠组织进行分类中需进行染色归一化的重要性
本文使用卷积神经网络(ConvNets)提出了一种用于直肠癌组织分类的系统,并探究了组织分类中染色归一化的重要性,同时报告了 ConvNets 在一批直肠癌样本和一组公开的结直肠 H&E 图像数据集上的表现。
- CityPersons: 一个用于行人检测的多样化数据集
本文通过重新评估 CNN 设计和引入新的数据集 CityPersons,使得 FasterRCNN 在 Caltech 数据集上取得了最新的结果,特别是在难度较大的情况下有了更好的表现,提供更高的定位质量。
- 基于卷积神经网络的大规模孤立手势识别
该论文提出了三种简单、紧凑而又有效的深度序列表示方法,分别称为动态深度图像 (DDI)、动态深度法线图像 (DDNI) 和动态深度运动法线图像 (DDMNI)。这些动态图像是从一系列深度图像构建而成的,使用双向排名池化来有效地捕捉时空信息, - 基于关节轨迹地图和卷积神经网络的动作识别
本文提出了一种使用 Joint Trajectory Maps(JTM)表示三维骨架序列中的时空信息的方法,然后使用 ConvNets 学习人体动作识别的判别特征,并通过多个 JTM 的评分融合来改善最终识别结果,实验结果表明该方法在多个公 - 多核上的深层张量卷积
通过扩展和优化快速 Winograd 级卷积算法,我们在 CPU 硬件上最大化 CPU 利用率及多核可伸缩性,处理了视频和体积图像分析中的空时特征,并证明了与之前的最先进技术相比,吞吐量提高了 5 到 25 倍。
- 糖尿病视网膜病变筛查的深度图像挖掘
本文提出了利用 “热图” 显示出影响影像级别的预测性诊断的像素,同时应用于 90,000 张视网膜照片和 110,000 张照片的数据集中,与其他热图检测算法相比,表现出更好的检测性能。
- 描述者与生成器网络的协同训练
本文研究了两个生成模型的协作训练,利用卷积神经网络 (ConvNets) 来进行图像建模和合成,并探究了如何将 MCMC 采样算法无缝地融入协作学习算法中,成功地实现了两个模型的同步训练,从而学习到高度真实的生成模型。
- ECCV探究卷积神经网络和灵长类动物视觉皮层的表征相似性
通过对多单元猴 IT 皮质的记录对比了几种具有不同深度和正则化技术的 ConvNets 的表征相似性,并评估其对灵长类视觉皮层的影响。我们发现,随着深度和验证性能的增加,ConvNet 特征越接近皮质 IT 的表征。
- 使用卷积神经网络进行大规模连续手势识别
使用卷积神经网络从连续深度图序列中识别手势,主要方法包括使用数量运动进行个别手势分段、构建改进的深度运动图、通过卷积神经网络进行手势识别和在 ChaLearn LAP Challenge 竞赛中取得第三名的表现。
- 基础回归:通过亮度恒定和运动平滑无监督学习光流
本文提出了一种无监督的方法,使用组合数据项和空间项的损失函数训练 convnets 来预测两幅图像之间的光流,并在 KITTI 数据集上的实验证明了该方法的有效性。
- CVPR使用在线困难样本挖掘训练基于区域的物体探测器
本研究提出了一种称为 OHEM 的在线硬负样本挖掘算法,可以提高目标检测中基于区域卷积神经网络的检测器的性能,尤其是在难度较大且数据规模较大的数据集上表现出色