深度学习
文章平均质量分 88
弓如霹雳弦惊
计算机视觉、深度学习、机器学习高质量paper分享……
展开
-
生成式对抗网络(Generative Adversarial Nets)
一、简介2016年12月5日,在西班牙巴塞罗那举办的NIPS会议上,本文的作者也就是Ian Goodfellow,依旧以他的代表作-生成式对抗网络-为主题进行了演讲。该网络自2014年问世以来,一直受到机器学习领域的高度关注,说这是近几年最棒的想法也不为过。论文提出了一种对抗式的估计模型生成方法,该方法不同于其他方法的地方在于训练生成模型G的同时,并训练一个判别模型D。D用来判别数据是来自真实采样还原创 2017-02-16 16:12:29 · 3311 阅读 · 0 评论 -
Cross Modal Distillation for Supervision Transfer
Abstract本文关注点是对图片的不同模态,做监督迁移学习。两种不同的模态,一种有大量的标注样本,一种没有。将从标注过样本的模态中学习得到的特征作为监督信号,用于无标注样本模态的特征学习。此方案能够对无标注信息的模态学习到很好的特征,也可以用于只含有少量标注样本的新模态的预训练。文章做了RGB图片(labeled)到depth(unlabeled)和optical flow(unlabeled)图原创 2017-02-18 10:57:21 · 3016 阅读 · 0 评论 -
Multi-view Convolutional Neural Networks for 3D Shape Recognition
Multi-view Convolutional Neural Networks for 3D Shape Recognition文章出自2015年ICCV, code & data戳这里:http://vis-www.cs.umass.edu/mvcnn/ 本文立意之处:represent 3D shape 的descriptor种类繁多,最直观的descriptor生成自native 3D f原创 2017-01-20 12:41:55 · 3524 阅读 · 0 评论 -
《DeepFace: Face Generation using Deep Learning》
VGG-Net框架下的人脸生成笔者主要从以下几个方面对这篇文章进行叙述:概述作者的思路主要工作思考概述文章主要的工作是在VGG-Net框架基础上实现了人脸属性分类,并使用定制高斯混合模型(cGMM)由输入人脸图像生成包含特定属性的人脸。作者的思路在正式讨论文章的实现之前,有必要先对作者的思路进行阐述。 (1)VGG框架 作者对为何采用VGG框架在文章中作了解释,首先原创 2017-01-19 21:33:32 · 1340 阅读 · 0 评论 -
跨年龄人脸识别 Cross-Age Reference Coding
论文:《Cross-Age Reference Coding for Age-Invariant Face Recognition and Retrieval》主要内容:提出了同时使用同一人不同年龄阶段的图片进行特征编码的方法CARC以应对跨年龄人脸图片识别的任务从网络采集了多个名人不同时间的图片组成了跨年龄数据库CARD原创 2017-02-12 19:47:54 · 9810 阅读 · 4 评论 -
《Large-Margin Softmax Loss for Convolutional Neural Networks》
机器学习中的一个任务是学习具有判别性的特征,使得类内距离较小,类间距离较大,或者说使得学习到的特征具有类内的紧致性和类间的分离性。传统的做法是利用contrastive loss,triplet loss,还有最近提出来的center loss+softmax。参考论文提出了large-margin softmax (L-Softmax) loss也是以此为目的,它扩展了传统的Softmax,取得了更好的效果。原创 2017-01-20 04:44:41 · 1896 阅读 · 1 评论 -
Understanding and Improving Convolutional Neural Networks via CReLU
论文作者在 AlexNet 的模型上做了一个有趣的实验,发现:较低的卷积层中的一些滤波器核存在着负相关程度很高的滤波器核,而层次越高的卷积层,这一现象越不明显。作者把这一现象称为 pairing phenomenon。基于这一现象作者认为低层的卷积层具有冗余性,于是提出了CReLU。原创 2017-02-14 16:30:03 · 3619 阅读 · 2 评论