2016年12月_Layumi1993

12月 11月 10月 09月 08月 07月

翻译可视化神经网络的一些方法

原文为http://cs231n.github.io/understanding-cnn/ 可视化CNN学到的东西有一些方法可以用来理解和可视化CNN, 作为对深度学习不可解释的论述的反击。1. 可视化激活值和第一层卷积的权重最直接的可视化方法就是展示在前向传播（forward pass）网络中的激活值（activation）对于带relu的网络，激活值的m

2016-12-21 18:11:16 2331

原创阅读小结：The Unreasonable Effectiveness of Noisy Data for Fine-Grained Recognition

The Unreasonable Effectiveness of Noisy Data for Fine-Grained Recognitionpaper link: http://cn.arxiv.org/pdf/1511.06789.pdfWhat:同上一篇一样，这也是一篇关于细力度分类的paper。通过加数据来做fine grain（这是以前大家不太想的。因为f

2016-12-12 15:42:55 1773

原创阅读小结：Fine-Grained Recognition with Automatic and Efficient Part Attention

这是一篇baidu research的paper。主题为细力度分类。这个问题在于找到一些关键的细节。比如在鸟类数据集CUB上，专家往往也是通过鸟的尾巴，或者头部来对鸟类分类的。What：预测细力度分类的CNN＋MDP的网络。1. 融合了三个元素：特征提取，attetion 和细力度分类。（之前paper是把attetion part额外切割出来的。比如鸟的头部专门trai

2016-12-11 17:12:56 1629 2

原创【行人重识别】A Discriminatively Learned CNN Embedding for Person Re-identification

A Discriminatively Learned CNN Embedding for Person Re-identification 这篇paper主要提出的是一种行人重识别的方法。1. verification label 为0,1二值。如果输入的两张图片为同一人，则为1，否则为0。显然，这个label较弱，由于它没有利用上整的数据集的标注信息（每次只考虑了两个或三个样本之间label的关系，如contrastive loss 和 triplet loss）。

2016-12-11 00:07:57 6594 4