这篇主要基于2016年CVPR的一篇论文:Mnemonic Descent Method-A?? Recurrent Process Applied for End-To-End Face Alignment_CVPR_2016_paper来讲。这篇论文中采用了一种Mnemonic Descent Method,MDM保持了记忆单元来对所有过去输入空间地信息。论文中介绍的方法有如下特点:输入图像,给定初始值x0,选取特征在这里插入图片描述点局部块,然后输入到卷积网络中提取特征,fc是卷积的特征结果,然后fr是全连接层。其最大的特点,是把每一级的第一层全连接层的结果h,和下一级的卷积层结果fc结合起来输入到下一级的全连接层,意思是不损失上一级梯度下降的信息,同时,所有的级可以一起训练了,而不必分开训练了
在用一篇差不多内容的论文来讲一下:
Cascaded convolutional networks可以看到,在第一层,有三个Deep CNN:F1, EN1,和 N- M1&
神经网络学习笔记2Mnemonic Descent Method
最新推荐文章于 2021-11-01 15:11:26 发布
本文探讨了2016年CVPR论文中提出的Mnemonic Descent Method(MDM),它通过记忆单元保留所有历史输入信息,用于端到端的人脸对齐。MDM的特点是结合各级全连接层的结果,允许所有层级一起训练,避免梯度下降信息的丢失。此外,还介绍了类似方法Cascaded Convolutional Networks,其通过多层网络逐步精确定位面部特征,逐级缩小输入区域并限制最后层级的预测变化。
摘要由CSDN通过智能技术生成