- 基于图形的等度不变表示学习
本文介绍了一种新颖的基于图的变换不变性网络(TIGraNet),该网络可以学习基于图的特征,并对几何变换具有不变性,通过图谱卷积和动态图池化层替代经典的卷积和池化层,能够有效提高对于数据变异的鲁棒性和在有限的训练集上保持持续性能。
- 卷积神经网络中稀疏性的力量
通过实验证明了通过在卷积层之间停用连接的方法将采用通道稀疏连接结构的 2D 卷积技术与许多网络体系结构一起使用,可以在保持准确性的同时实现明显的运行时间和内存储存器的节省。
- 用生成式对抗网络实现无监督图像翻译
介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法,通过非监督学习来解决图像转换问题,实现了不同域之间的图像转换,并且在多样性方面表现出了很好的通用性。
- Scribbler: 用草图和颜色控制深度图像合成
本文提出了一种基于深度对抗图像合成框架,结合草图轮廓和稀疏颜色笔画生成逼真的汽车、卧室或人脸。我们展示了一个基于草图的图像合成系统,允许用户在草图上涂鸦以指示所需对象的首选颜色。该网络是前向的,可以实时看到用户编辑的效果。与最近关于草图到图 - 地图学习:自动驾驶的视觉常识
本文提出了一种基于车载摄像头图像的道路布局推断模型,同时构建了一个路况数据集,可以将导航地图的元数据与 Google 街景图像匹配以提供标签,并利用深度卷积网络训练该模型,结果表明该方法可用于提升基础设施安全性。
- ICCV深度卷积网络用于压缩伪影降噪
通过深度卷积网络的成功在超分辨率方面的成功,该论文提出了一种紧凑有效的网络,用于无缝衰减不同类型的压缩伪影,并证明使用传输学习和易于困难学习的思想可以在低级别视觉问题中实现出色的性能。
- 全卷积孪生网络用于目标跟踪
使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪,取得了多项基准测试中的最优性能。
- 基于螺旋曲线的深度卷积神经网络在乐器识别中的应用
本研究调查了构建学习卷积网络用于乐器识别的问题,并对三种不同的权重共享策略进行了性能测试,结果表明混合三种卷积层在单个深度学习体系结构中的效果最佳。
- ICML一种端到端的卷积选择性自编码器方法用于大豆旋毛线虫卵检测
本文提出了一种新颖的选择性自编码器方法,在深度卷积网络的框架内。该方法的核心思想是训练深度卷积自编码器来抑制图像帧中不需要的部分,同时允许所需的部分,从而实现有效的目标检测。该框架的功效在植物科学问题上得到了证明。
- 函数学习:何时深度学习优于浅层学习
本文证明了深度(分层)网络可以近似组合函数,其准确度与浅层网络相同,但训练参数以及 VC 维度指数级地减少,并定义了一般类可扩展和平移不变算法来证明深度卷积网络的简单和自然的一组要求。
- 理解深度卷积网络
这篇文章综述了深度卷积神经网络的架构,介绍了一种数学框架来分析它们的属性,以及讨论了它们的应用。
- AAAIS 形修正线性激活单元的深度学习
本文提出了一种能够 SReLU 在深层神经网络中充分学习凸函数和非凸函数的网络。实验结果表明,与其他激活函数相比,SReLU 可以显著提高卷积神经网络的性能。
- 重新思考 Inception 架构在计算机视觉中的应用
本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法,使卷积神经网络计算效率最大化,并以 ILSVRC2012 分类挑战作为基准,报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络,评估单帧评估的 top-1 误差 21.2 - AAAIUniversum Prescription: 利用未标记数据进行正则化
本论文提出了一种称为 “宇宙处方” 的方式,通过向未标记数据简单地分配 “以上皆非” 的标签,对监督学习产生了有益的正则化效应,它在用于 CIFAR-10,CIFAR-100,STL-10 和 ImageNet 数据集的深度卷积神经网络训练 - 深度卷积网络是层次化的核机器
该论文讨论了 i-theory 中典型层次结构的构成,提出现代 DCNs 可以与具有池化和非池化层次的核机器的层级架构完全等效,最终提出高效的结构猜想。
- 构建良好实践以用于非常深的双流 ConvNets
本研究针对深度学习在静态图像中的分类问题做了深入探讨,分析了在视频领域中,深度学习模型较浅,训练集过小的问题。该研究通过设计更深的模型,采用多种好的训练方法,得到了 91.4% 的 UCF101(一份视频数据集)分类精度。
- ICLRParseNet: 视野更宽,见识更好
本文提出一种简单的技术,将全局上下文添加到深度卷积网络中,以用于语义分割,有效提高网络性能,并在 SiftFlow 和 PASCAL-Context 数据集上实现了最新成果。
- ICCV快速 R-CNN
本文提出了一种用于物体检测的快速区域卷积网络方法(Fast R-CNN),该方法采用了深度卷积神经网络对目标建议进行高效分类,相较于之前的方法,在提高检测精度的同时,大幅提高了训练和测试的速度。
- 深度卷积网络降低压缩伪影
该研究提出了一种基于深度卷积网络的紧凑高效方法来无缝地衰减不同压缩引起的复杂压缩伪影,同时展示了在多个现实场景下该方法的优越表现和适用性。
- 超越正脸:利用多种线索改善人物识别
本文介绍了 PPIPA 数据集,提出了一种基于深度卷积网络的 Pose Invariant PErson Recognition (PIPER) 方法来实现照片集中个体识别,实验证明该方法在处理姿态、服装、视角、分辨率和光照等变化时表现优于