learning and transferring mid-level image representations using convolutional neural networks

最新推荐文章于 2018-07-29 11:46:05 发布

Wanglan_Alan

最新推荐文章于 2018-07-29 11:46:05 发布

阅读量2.2k

点赞数 1

分类专栏：论文笔记 transfer learning CNN 文章标签： CNN transfer learning classification localization

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Alan317/article/details/41541769

版权

该研究通过AlexNet在ImageNet训练集上预训练，然后进行参数迁移，保留前层参数，只训练新加入的适应层，以适应Pascal VOC2007等复杂数据集。使用滑动窗口策略选取正负样本，进行目标任务的微调。在测试阶段，生成heatmap实现分类与定位功能。

摘要由CSDN通过智能技术生成

cvpr14--Learning and transferring mid-level image representations using convolutional neural networks

Authors：Maxime Oquab1,Ivan Laptev,Leon Bottou, Josef Sivic.

论文理解

1.贡献

文章是从transfer learning的角度来看看待特征学习，并不是像之前的方法比如R-CNN那样把最后的softmax输出节点个数改成相应数据集class的个数，然后调低学习率再做fine-funing（这种方法一般更恰当的叫法可能叫fine-tuning），这篇文章采用的是把softmax摘掉，重新加入一个fully connection layer--FCa和相应的softmax--FCb，在训练的时候保持前面的参数不变，只是学习FCa和FCb的参数；另比较有意思的是训练集的再加工，用到了尺寸信息，以及后面把heatmap的信息融合起来便

最低0.47元/天解锁文章

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
learning and transferring mid-level image representations using convolutional neural networks

learning and transferring mid-level image representations using convolutional neural networks论文理解1.贡献文章是从transfer learning的角度来看看待特征学习，并不是像之前的方法比如R-CNN那样把最后的softmax输出节点个数改成相应数据集class的个数，然后调低学习率
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。