- 使用深度卷积神经网络进行自动驾驶的多模态轨迹预测
自动驾驶系统面临着交通行为不确定性高等问题,本文提出了基于深度卷积神经网络的多轨迹交通演算方法,能够精确地预测交通行为并评估它们的概率,此方法也已成功应用于自动驾驶车辆中。
- 学习有效的 RGB-D 场景识别表示
该研究介绍一种基于深度学习的 RGB-D 场景识别方法,提出了一种深度学习模型训练的两步骤方法和一种新的 RGB-D 视频数据集,实现了在 RGB-D 图像 (NYUD2 和 SUN RGB-D) 和视频 (ISIA RGB-D) 场景识别 - ECCV学习形状先验用于单视图 3D 补全和重建
本文提出 ShapeHD,将深度生成模型与马赛克技术相结合,解决了单视角 3D 形状补全和重建的两个层面的问题,并在多个真实数据集上取得了比现有技术领先很多的表现。
- CVPR深度卷积网络对傅里叶基函数方向的结构敏感性研究
通过研究深卷积网络的灵敏度,我们发现傅里叶基函数方向上的微小改变可以导致网络准确率下降,这是一种有潜在安全风险的现象,然而这种有害扰动的共享方向特征仍然未知。鉴于对其性质的探究,我们针对黑盒模型提出了一个通用算法,可以生成具有位移不变性的通 - ECCV利用感知辨别器进行图像操作
本文介绍了一种将感知损失和基于对抗鉴别器的学习目标通过一个特殊的鉴别器网络框架结合起来,在未对齐的图像数据集上训练获得准确快速结果的新体系结构 —— 感知鉴别器。通过此体系结构在未对齐的图像翻译任务中取得了良好效果。
- 有这样的朋友,还要什么敌人?
本文通过研究表明,图像分类网络对于对抗性攻击的脆弱性与其性能之间是一种互相联系的关系,因为网络中最容易受攻击的输入图像方向也是它们用于实现其分类性能的方向。此外,这种关系对于构建既精确又具有抵抗对抗攻击能力的神经网络具有深远的影响。
- ICLR学习何时何地参加
使用人类注意力地图强化深度卷积神经网络的监控信号,并将其应用于目标识别,大幅提高了准确性并生成更接近人类观察者的可解释性更强的视觉特征。
- CVPR多尺度资源感知人员重新识别
本研究提出了一种个体重新识别模型,该模型结合了在多个卷积网络层上构建的有效嵌入,采用了深度监督技术进行训练,能够在资源受限情况下有效地权衡准确性和计算性能。在传统的重新识别基准测试中,我们的方法在所有五个数据集上都明显优于以前的最新结果。
- i-RevNet:深度可逆网络
通过 i-RevNet 网络的可逆性证明了深度卷积网络并不需要通过逐步丢弃输入信息来学习代表信息以获得泛化能力,并通过线性插值对模型学习到的信息进行了解释。
- 深度学习理论 IIb:SGD 的优化特性
本文结合实验和理论,对深度卷积网络的随机梯度下降进行了优化,并提出了一种新的猜想,即 SGD 会在概率上集中于大体积的 “平坦” 极小值,选择刚好也是全局最小值的 “平坦” 极小值。
- 大规模图像分类的批归一化和权重归一化算法比较
本文探讨了批归一化算法与权重归一化算法在大规模实际应用中的表现差异。经过实验发现,虽然权重归一化算法在训练精度方面表现更好,但最终的测试精度显著低于批归一化算法,并且权重归一化算法在大规模深度网络训练上稳定性差,因此不适合大规模实际应用。
- 神经网络的耦合集成
本文对深度卷积神经网络进行了研究,提出了一种将模型参数重构成多个并行支路的方法,这种 “馈道” 架构可以在不降低性能的情况下显著减少参数数量或显著提高性能,同时提供另一种正则化形式,在训练过程中加入整流层可以进一步提高性能,这种架构被称为 - 卷积神经网络在医学图像分析中的应用综述
研究医学图像分析的最新技术,特别是使用机器学习中的深度卷积网络实现医学图像分析,深度卷积网络被广泛应用于医学图像分割、异常检测和疾病分类等应用领域。
- ICCV当无监督领域适应遇见张量表示
提出了一种基于学习的方法,用于直接适应源和目标张量表示,其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间,并展示了其在域自适应的卷积激活方面具有最佳性能。
- 基于 U-Net 全卷积网络的自动脑肿瘤检测和分割
本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法,该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试,并表现出良好的分割性 - 视频中的动作识别时间分段网络
该论文提出了一种称之为 “时间段网络” 的视频级框架,可以学习视频中的动作模型,并在四个具有挑战性的动作识别基准测试中实现了最新的性能。
- GoDP: 大范围优化的双通道系统用于野外人脸关键点定位
提出了一种基于 Globally Optimized Dual-Pathway (GoDP) 深度架构的人脸定位方法,并通过多个人脸数据库的实验表明,该方法相比基于级联回归的方法更加优越。
- 深度学习与量子纠缠:基础联系及其对网络设计的影响
本研究探讨深度卷积网络的归纳偏差,建立了量子物理和深度学习之间的基本联系,通过量子纠缠测量深度网络表达输入相关结构的能力,探索了 ConvAC(深度卷积算术电路)的新理论观察,提出了通过深层卷积网络的通道数直接控制归纳偏差的方法。
- 使用卷积神经网络检测图像中的人权侵犯
通过使用不同类型的深度卷积神经网络结构来识别人权侵犯,我们在 Human Rights Understanding 数据集上进行了实验,结果显示最好表现的 CNN 结构可以获得高达 88.10%的平均精度,并且当使用非常深的网络时,增加训练 - ISIC 2017 - 皮肤病变分析以实现黑色素瘤检测
本研究利用深度卷积神经网络实现 ISIC 2017 挑战赛的病变分割和分类任务。