![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习论文翻译
文章平均质量分 88
X_Imagine
加油!!!
展开
-
深度学习论文翻译 -- OpenPose
本文翻译为关节点估计论文:OpenPose(2017), Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields.论文链接:https://arxiv.org/abs/1812.08008开源链接:https://github.com/CMU-Perceptual-Computing-Lab/openpose我们知道,OpenPose是个开源的工程,并且资源丰富完整,无论是windows,还是Linux下,都有相应的完整原创 2021-03-11 15:26:39 · 1663 阅读 · 0 评论 -
深度学习论文翻译 -- YOLO-V4
本文翻译为目标检测论文系列:YOLO-V4, Optimal Speed and Accuracy of Object Detection: Optimal Speed and Accuracy of Object Detection论文链接:https://arxiv.org/abs/2004.10934Abstract原创 2020-11-20 14:58:31 · 337 阅读 · 0 评论 -
深度学习论文翻译 -- YOLO-V3
摘要我们再次对YOLO进行更新,我们进行一系列的设计,使得效果更好。我们训练了新的网络,网络比之前的大,但是更加准确,速度依然很快。320x320的图像,22ms,28.2mAP,与SSD的准确度一样,但是比它快3倍。如果按照0.5IOU评测标准,在Titan X上,可以达到57.9 AP50AP_{50}AP50,耗时51ms,与RetinaNet的57.5AP50AP_{50}AP50,耗时198ms相比,准确度相当,但是更快。1. Introduction作者今年没有做太多研究,在推特原创 2020-11-20 11:15:38 · 651 阅读 · 0 评论 -
深度学习论文翻译 -- YOLO-V2
本文翻译为目标检测论文系列:YOLO-V2,YOLO9000:Better, Faster, Stronger论文链接:https://arxiv.org/pdf/1612.08242v1.pdf开源代码:http://pjreddie.com/yolo9000/Abstract我们引入新的目标检测模型,YOLO9000,顶级的实时目标检测系统,可以检测超过9000类目标。首先,我们介绍针对YOLO-V1的改进工作,在前面工作的基础上,提出新的方法和思想。改进的YOLO-V2模型,在PASCAL原创 2020-11-19 10:43:40 · 267 阅读 · 0 评论 -
深度学习论文翻译 -- YOLO-V1
本文翻译为目标检测论文系列:yolo-v1,You Only Look Once: Unified, Real-Time Object Detection论文链接:https://arxiv.org/pdf/1506.02640.pdf开源地址:http://pjreddie.com/yolo/1、Abstract本文提出目标检测(object detection)的新方法,YOLO。之前的方法,重新修改分类器来进行目标检测。相反的,我们将目标检测当作回归类问题(regression proble原创 2020-11-17 16:10:35 · 372 阅读 · 0 评论 -
CNN语义分割系列总结
一、研究背景语义分割是计算机视觉方向的基础问题之一,如上图所示,该任务是将图片中的每一个目标逐像素分割出来,并且标明该目标是属于哪一类,比如人,车或者马等大类。该任务的基本挑战:结合全局和局部信息的分割任务,在分割相应目标类的同时,如何确保每一个像素被准确分类,通常需要保证边界的精细度。常用数据集:PASCAL VOC 2012,MS COCO,Cityscapes等。...原创 2020-05-06 17:51:53 · 3446 阅读 · 0 评论 -
深度学习论文翻译 -- Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
摘要:空间金字塔池化(spatial pyramid pooling)或者编码-解码结构(encode-decode)被广泛应用于语义分割任务。通过不同采样值(rates)和多个有效的感受野,前者可以获取不同尺度的信息,而后者通过逐渐恢复空间信息的方式,可以获取尖锐目标的边界。本文中,我们综合两种方法的优点,设计新的网络结构。特别地,我们提出的模型,DeepLabv3+,与deeplabv3相比,...原创 2020-04-29 14:56:41 · 1200 阅读 · 0 评论 -
深度学习论文翻译 -- DeepLab-V2
摘要:本文我们使用深度学习的方法解决语义分割的相关问题,我们作了三个主要贡献,并且都很有实用价值。首先,我们设计的空洞卷积非常适合稠密预测任务。借助空洞卷积(Atrous Convolution),我们可以有效控制输出特征图的分辨率。不仅如此,我们可以有效增大卷积核的感受野(field of view),并且不会增加参数量和计算代价。其次,我们提出带空洞的空间金字塔池化(ASPP)模块,通过不同的...原创 2020-04-28 17:08:12 · 1009 阅读 · 0 评论 -
深度学习论文翻译 -- Rethinking Atrous Convolution for Semantic Image Segmentation
摘要:本文中,我们将进一步研究空洞卷积,一个可以明确调整卷积核感受野和控制DCNN输出特征图的分辨率的强有力工具,并被广泛应用在图像语义分割任务。为了解决多尺度目标的分割问题,我们设计通过采用多个级联或者并行的空洞卷积模块,每一个模块中的空洞卷积采样率不一样。更进一步,我们继续讨论了之前讨论的ASPP模块,可以获取多尺度目标特征,通过与图像层级的特征来获取全局信息,最终得到更好的表现。我们给出了具...原创 2020-04-29 11:11:55 · 1419 阅读 · 0 评论 -
深度学习论文翻译 -- Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS
本文翻译论文为深度学习经典模型系列:DeepLab-V1论文链接:https://arxiv.org/pdf/1412.7062.pdf摘要:深度卷积网络(DCNNs)在高层次(high level)视觉任务中表现突出,比如图像分类和目标检测。本文结合DCNNs和概率图模型,解决像素级分类任务(semantic image segmentation)。实验发现,DCNNs最后一层的输出特征...原创 2020-03-16 17:00:04 · 1874 阅读 · 0 评论 -
深度学习论文翻译--Fully Convolutional Networks for Semantic Segmentation
本文翻译论文为深度学习经典模型之一:FCN论文链接:https://arxiv.org/pdf/1411.4038.pdf摘要:卷积网络是非常优秀的视觉模型,可以产生不同层次的特征。本文结果表明,像素到像素、端到端的卷积网络超过经典的语义分割基准。我们主要的贡献在于建立全卷积网络(fully convolutional networks):输入任意尺寸的图像,可以得到相应大小的输出分类图像...原创 2019-12-05 17:53:37 · 1164 阅读 · 0 评论 -
CNN 图像分类网络系列总结
一、VGG研究目的:论文主要研究卷积网络的深度(Depth)对于图像识别任务的准确度影响。论文主要贡献:一定的数据规模下,增加网络深度能够有效提升网络的性能; 两个3x3Conv的感受野等效于1个5x5Conv,并且参数更少,性能更好; VGG引入了卷积模块的设计模式(Figure 1),其特点是:一个卷积块内的特征图尺寸通常不变,模块之间特征图尺寸降低时,特征图的数量会增加(后续...原创 2020-03-16 14:26:39 · 2911 阅读 · 0 评论 -
深度学习论文翻译 -- EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
本文翻译论文为深度学习分类论文:EfficientNet论文链接:https://arxiv.org/pdf/1905.11946.pdf开源代码:https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet.摘要:卷积网络通常在现有的硬件资源下开发,然后根据硬件资源的进展,将卷积网络扩展到更高的准确度。在论文中,我们系统的研究了模型的缩放,并且确定平衡网络深度,宽度以及输入分辨率能够得到更优的网络,进而得到更原创 2020-11-07 11:31:40 · 1327 阅读 · 0 评论 -
深度学习论文翻译 -- Densely Connected Convolutional Networks
本文翻译论文为深度学习经典模型之一:DenseNet论文链接:https://arxiv.org/pdf/1608.06993.pdf摘要:最近的研究表明,如果在卷积网络的输入与输出之间添加短连接(shorter connections),那么可以使得网络变得更深、更准,并且可以更有效的训练。本文,我们围绕短连接思想,提出密集卷积网络(DenseNet):前向传播中,每一层都与其前面的所有...原创 2019-11-06 22:02:44 · 1693 阅读 · 0 评论 -
深度学习论文翻译 -- Inception-v4,Inception-ResNet and the Impact of Residual Connections on Learning
本文翻译论文为深度学习经典模型之一:Inception-V4论文链接:https://arxiv.org/pdf/1602.07261.pdf摘要:近些年,超深度卷积网络成为图像识别领域的核心算法。其中,Inception结构在图像分类中表现优秀,并且计算代价很低。最近,残差与更加传统的结构相结合,在ILSVRC挑战中获得Start-of-art的结果(与Inception-v3)的分类精...原创 2019-10-31 15:24:25 · 4578 阅读 · 0 评论 -
深度学习论文翻译--Deep Residual Learning for Image Recognition
本文翻译论文为深度学习经典模型之一:ResNet论文链接:https://arxiv.org/pdf/1512.03385.pdf摘要:深度神经网络很难训练,为了解决这个问题,我们提出残差学习框架(residual learning framework),使得神经网络的训练变得容易,并且我们的网络比之前所有的网络都要深。我们将网络层(layers)明确的定义为需要学习的残差函数(resid...原创 2019-10-30 14:17:20 · 715 阅读 · 0 评论 -
深度学习论文--Rethinking the Inception Architecture for Computer Vision
本文翻译论文为深度学习经典模型之一:Inception-v2,Inception-v3论文链接:http://arxiv.org/abs/1512.00567v3摘要:当前趋势下,卷积网络是解决大部分视觉任务的核心部分。自2014年之后,深度卷积网络开始变为主流网络,在很多基准数据集上都取得较大的进展。尽管增加模型大小和计算代价可以立刻得到效果的提升,但是计算效率和模型的参数量(参数越少越...原创 2019-10-24 16:51:45 · 1687 阅读 · 0 评论 -
深度学习论文--Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
本文翻译论文为深度学习经典模型之一:GoogLeNet-BN论文链接:https://arxiv.org/abs/1502.03167v3摘要:训练深度神经网络的难度在于:前一层网络参数的变化,导致每一层输入的分布也随之变化。通常需要设置小的学习率以及小心的初始化,因此降低了网络的学习速度,并且经常出现非线性饱和,最终导致深度网络难以训练。本文称这种现象为内部协方差偏移(internal ...原创 2019-09-17 15:52:41 · 3589 阅读 · 2 评论 -
深度学习论文翻译 -- Going Deeper with Convolutions
本文翻译论文为深度学习经典模型之一:GoogLeNet(Inception-v1)论文链接:http://arxiv.org/abs/1409.4842摘要:本文提出深度卷积网络结构,称之为Inception,该网络结构的重要特点是充分利用有限的计算资源。在计算代价不增加的情况下,通过增加网络的深度和宽度来提升网络的效果。为了得到最优的网络性能,网络的设计是基于 "Hebbian pri...原创 2019-08-09 14:16:09 · 666 阅读 · 0 评论 -
深度学习论文翻译 -- Very Deep Convolutional Networks for Large-Scale Image Recognition
本文翻译论文为深度学习经典模型之一:VGG论文链接:https://arxiv.org/abs/1409.1556摘要:在本文工作中,我们主要研究卷积网络的深度(Depth)对于大规模图像识别任务的准确度影响。主要的贡献在于对不同深度的网络作了详细、全面的评估。在现有技术前提下,使用非常小的卷积核(3x3Conv),以及将网络深度增加到16-19层,能够得到明显的效果提升。上述研究结果,使...原创 2019-08-02 14:52:39 · 578 阅读 · 0 评论