关键词deep convolutional network
搜索结果 - 27
- 人脸验证和识别的模板适配
本研究旨在解决模板适应性问题，结合深度卷积神经网络和模板特定的线性 SVM，发现其在模板之间迁移的情况下可以显著提高面部识别性能，而这种方法较之传统的二维和三维对齐方法结果相当。
- ICCV基于深度学习的面部部位响应到人脸检测的转换
本文提出了一种新颖的深度卷积网络，通过对面部部位响应的空间结构和排列进行评分机制，从新的角度寻找面部，并考虑到挑战性情况下的面部检测，如严重遮挡和不受约束的姿势变化，以实现在 FDDB，PASCAL Face 和 AFW 数据集上出色的表现 - 利用头部姿态估计辅助人脸对齐
本文提出了一种基于显式头部姿态估计的级联人脸对齐的监督初始化方案，在 300W 数据集上表现出很高的性能。
- 深度学习面部表示稀疏、选择性和鲁棒性强
本文设计了一个高性能的深度卷积网络（DeepID2+）用于人脸识别，经实验证明它在 LFW 和 YouTube Faces 的基准测试中达到了最新的最优效果，并通过了控制神经激活的稀疏性、选择性和鲁棒性研究证明了其高性能的三个关键属性。
- 用多模态递归神经网络来解释图像
本文提出了一种基于多模态循环神经网络 (m-RNN) 的模型，实现图像内容的生成式描述，模型包含句子的深度循环神经网络和图像的卷积神经网络两个子网络以及它们的多模态层，经验证在三个基准数据集上的表现优于现有方法，还可以应用于图像或句子的检索 - 刚体运动散射用于纹理分类
通过深度卷积网络在刚体运动分组上计算卷积，利用平移和旋转变量定义小波，实现了沿平移和旋转轴自适应不变性。该方法不仅保留关节旋转和平移信息，还能以任意所需比例提供全局不变性。文章通过对单个实现的稳定过程进行分类研究和分析，在多个纹理数据库上取 - DeCAF：用于通用视觉识别的深度卷积激活特征
本文介绍了一种基于深度卷积网络提取特征的方法，该方法可以将原来应用于特定任务的深度卷积网络迁移到其他任务中，实现了在多个重要视觉挑战中超越现有技术的效果，并发布了开源工具 DeCAF 和所有相关网络参数。