- ICCV学习为计算机视觉任务调整图像大小
通过实验证明,针对不同的任务,基于卷积神经网络的学习型图像缩放器可以用于提高网络的性能,而相比于传统的图像缩放器,它并不一定能够提高图像的感知质量。该研究给出了基于 ImageNet 数据集的分类任务和 AVA 数据集上的图像质量评估案例证 - 无限宽神经网络的精确计算
本篇研究开发了第一个高效精准计算卷积神经网络中神经切向核(NTK)扩展,即卷积 NTK(CNTK),并使用 GPU 实现,相较于其他方法在 CIFAR-10 上表现出明显优势,仅比与之对应的有限深度网络结构低 6%;同时,提供了第一个非渐近 - 使用 CNN 从 SAR 图像生成高质量可见光图像
本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法,用于从合成孔径雷达图像生成高质量的可见光图像,实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。
- 基于贝叶斯深度卷积编码 - 解码网络的代理建模和不确定性量化
本文提出了一种使用卷积神经网络实现的关于具有随机偏微分方程的不确定性建模的代理模型,该方法使用变分梯度下降算法对参数进行 “近似贝叶斯推断”,可以在处理不确定性时实现和其他方法相比具有最先进的预测精度和不确定性量化,即使训练数据量相对较小, - 多模型、多架构集成用于强健脑肿瘤分割
本篇论文提出 Ensembles of Multiple Models and Architectures (EMMA) 方法,利用多种模型和架构进行集成预测,以实现在具有挑战性的任务中的鲁棒性能,是一个优秀的深度学习模型,能够在诸多竞赛中 - AAAIDiSAN: 面向无 RNN/CNN 的语言理解的定向自注意力网络
提出了一种新颖的方向性多维度自注意力机制 DiSAN,用于句子编码,相对于复杂的 RNN 模型,它在预测质量和时间效率方面表现更好,并在多个数据集上得到了最优的测试准确性表现。
- 探索卷积神经网络的可逆性
论文讨论卷积神经网络近似可逆性及其在稀疏信号恢复方面的数学模型,并给出一种精确的模型基础压缩感知与其恢复算法和随机权重 CNN 的连接。作者通过实验得出多个学习网络与数学分析一致,以简单的理论框架合理地重构实际图片。同时,作者也探讨了我们的 - CVPR数字病理扫描图像的分类和检索:一个新数据集
本文介绍了一个新的数据集 “Kimia Path24”,该数据集可用于数字病理学中的图像分类和检索,并通过使用 24 种不同的组织纹理的全扫描图像生成了 1,325 个大小为 1000x1000 的测试补丁。通过 LBP,字典方法和卷积神经 - 多摄像机多目标检测的深度遮挡推理
该研究引入了一种使用卷积神经网络和条件随机场混合建模的多相机多人跟踪算法,能够在拥挤场景中鲁棒地处理潜在的遮挡问题并且表现优于当前多种算法。
- 主动自适应学习的成本效益和渐进式人脸识别
本文提出了一种新颖的廉价人脸识别框架,该框架通过联合活跃学习和自主学习的方法自动注释新实例并将其纳入训练,以实现分类器的有监督微调。实验结果表明,该框架在两个具有挑战性的数据集上具有非常良好的表现。
- Arria 10 上的 OpenCL (TM) 深度学习加速器
利用深度学习加速器(DLA)和 Winograd 变换技术,我们在 Intel Arria 10 设备上实现了 1020 图像 / 秒的性能,比 FPGA 上最先进的技术快 10 倍,同时也具有 5.8 倍的更高效率,并且与 nVidia - 基于图像卷积神经网络特征的动作识别
本文介绍一种基于卷积神经网络的层级模型,用于动作识别任务。该模型采用最后一层卷积神经网络的输出特征作为基础,并设计了一个层级结构来捕获视频中的时间变化。同时,作者引入了一种用于提取视频关键帧的方法,从而提高了模型的性能表现。通过在多个动作数 - CVPR使用层次化修正高斯进行自下而上和自上而下的推理
本研究探索了双向的神经网络结构和基于顶部反馈的推理方式,通过将神经元作为具有二次能量函数的整流潜变量,它可以被视为分层整流高尔基模型,并展示了其在具有挑战性的关键点本地化任务上的领先表现。
- ICCV使用卷积神经网络实现单目物体实例分割和深度排序
本文针对从单目图像进行实例级别分割和深度排序的问题,利用卷积神经网络训练来直接预测实例级别分割,同时采用马尔科夫随机场来提供图像的连贯单个解释,旨在预测准确的实例级别分割和深度排序,并在 KITTI 基准测试中表现出很好的性能。
- 为表面法线估计设计深度网络
本文使用卷积神经网络进行单张图像表面法线的预测,并通过加入人工约束和中间表征优化网络结构,得到了表现最优的结果。
- 卷积神经网络是否学习到对应关系?
本研究探讨了卷积神经网络激活特征在需要对应关系的任务中的有效性,通过实验结果表明,这些特征在局部细节定位方面有更好的表现,并且在对象部分对齐和关键点预测方面优于传统的手工特征。