- 使用多任务学习残差全卷积网络从航空图像和视频实现车辆实例分割
本文介绍了基于多任务学习网络和残差网络,提出了一种能够同时学习两个互补任务的方法,即分割车辆区域和检测语义边界。为了评估未来的车辆实例分割算法,作者构建了一个新的车辆实例分割数据集并分享了链接。
- 基于卷积的成本敏感神经网络用于不平衡时间序列分类
本文提出了一种自适应的代价敏感学习策略,用于修改深度学习模型,以解决不平衡时间序列分类任务中的问题,并证明了该策略能够有效地改进卷积神经网络和残差网络的分类性能,从而应用于不平衡时间序列分类问题。
- ECCVSkipNet: 卷积网络中动态路由的学习
通过使用 SkipNet,结合特定输入实现卷积层跳过的目的。我们提出了一个混合学习算法,以解决非可微分跳过决策的问题,并在四个基准数据集上展示了 SkipNet 可以在保留准确性的基础上减少计算量 30-90%。此外,我们定性评估了门控策略 - 深度残差网络和权重初始化
本篇论文分析了 ResNet 的简化模型,并认为 ResNet 的好处与其对初始权重的选择较为不敏感有关系。此外,本文还演示了如何利用批归一化提高深度 ResNets 的反向传播能力,而无需调整初始权重值。
- 双路径网络
本文提出了一种简单、高效、模块化的 Dual Path Network(DPN),用于图像分类,并在三个基准数据集上进行了广泛实验,表明 DPN 在各种应用中的性能要优于 DenseNet、ResNet 和最新的 ResNeXt 模型。
- 深度生成对抗网络在压缩感知自动磁共振成像中的应用
本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架,能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。
- MM基于轻量级残差卷积神经网络的单张图像超分辨率
本研究旨在扩展残差网络的优点,如快速训练,用于低级视觉问题,即单个图像超分辨率,通过引入跳跃连接和逐渐改变网络形状的策略,该方法在单个图像超分辨率上取得了最新的 PSNR 和 SSIM 结果,并产生了视觉上令人愉悦的结果。
- CVPR残差网络的自适应计算时间
该论文提出了一种基于残差网络的深度学习架构,动态调整图像区域执行的层数,提高图像分类和物体检测的计算效率,并在实验中证明了计算时间映射与人眼注视位置之间具有惊人的相关性。
- ResNet 解密
ResNet 是一种残差网络,利用快捷连接显著减少了训练的难度,同时在训练和泛化误差方面都实现了很好的性能提升,我们提供了快捷连接 2 的独特理论解释,它可以使训练非常深的模型与浅的模型一样容易,同时我们的实验证明了通过使用快捷连接 2 进