多尺度无序池化卷积神经网络——MOP-CNN（MultiScale Orderless Pooling）

最新推荐文章于 2024-08-24 10:07:17 发布
最新推荐文章于 2024-08-24 10:07:17 发布
阅读量7.9k 收藏 3
点赞数
分类专栏： 计算机视觉 深度学习 文章标签： 神经网络 池化 深度特征 多尺度
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/lhaof/article/details/50831963
版权

本文讲解的是Yunchao Gong发表在2014年的ECCV会议上的，“Multi-Scale Orderless Pooling of Deep Convolutional Activation Features”，中文译名是深度卷积激活特征的多尺度无序池化，其中提出了一种多尺度无序池化卷积神经网络，简称是MOP-CNN，下文称为MOP。

先谈核心思想，MOP是对CNN中的特征的有效改进。神经网络的倒数第二层出来的可以认为是特征，这个特征是整个image的特征，但是并不是十分理想的特征。为什么呢？因为卷积神经网络出来的特征的空间信息过强了。在卷积神经网络中的每一层，滤波器都是施加在空间邻近的神经元上。甚至有论文尝试从最后的深度特征恢复出原来的图片，还能得到比较相似的结果。特征的空间信息太强有什么坏处呢？可能会缺乏一些不变性。好的图像特征是要具备一些不变性的（invariant），比如旋转不变性，平移不变性，放缩不变性，亮度不变性，不变性的动机和意义在于，我们人眼识别物体，无论物体位置，距离物体远近，物体旋转的角度，物体受光照的情况，都能识别出物体，也就是说，理想情况下，物体的特征不受上述条件的变化而变化。

那现在空间信息过强，那么特征的几何不变性就会比较弱，比如旋转不变性，平移不变性。在比如场景分类的问题上，相似的场景应当具有一些同类的物体，而可能不限制这些物体的空间位置。但深度特征，由于空间信息过强，就可能隐式地限制了场景内物体的空间位置，可能会将具有同样物体的相似场景判为不相似的场景。为了改进，就要削弱一定的空间信息，将特征进行一定程度的扰乱，弱化空间上有序的程度，然后再重新组合成新的特征。

lhaof
关注
专栏目录
论文笔记《Multi-scale Orderless Pooling of Deep Convolutional Activation Features》
July's Pensieve
05-15 3997
文章提出一种基于多尺度滑窗的CNN特征的编码方法。1 Information发表会议：ECCV2014相关链接：作者主页 项目主页2 MotivationGloabl CNN：编码了图片的空间结构信息，对类内差异容忍度差，globally orderedBOW：完全丢失图片的空间结构信息，orderless对于场景分类问题，我们希望一个在小的region，空间结构globally ordere
论文阅读：Multi-scale orderless pooling of deep convolutional activation features
Cheese_pop的博客
08-17 754
2014年ECCV Motivation 以往的图像分类，关注的信息可能更容易被干扰。比如下图中的（a），groundtruth应该是滑雪（ski），但是由于一些其他信息的干扰，导致红框中框出来的部分被分类为shovel，篮框中被认为是阿尔卑斯山，那么这篇论文就是基于这样一个motivation，试图关注图像中更细节的信息。 Basic Idea Multi-sca...
Multi-scale orderless pooling of deep convolutional activation features
家家的专栏
05-15 2994
Multi-scale orderless pooling of deep convolutional activation features
Multi-Scale Orderless Pooling of Deep Convolutional Activation Features
woyaopojie1990的专栏
08-14 5144
学习笔记之《Multi-Scale Orderless Pooling of Deep Convolutional Activation Features》
多尺度动态图卷积神经网络----Multi-scale Dynamic Graph Convolutional Network for Hyperspectral Image Classificati
热门推荐
你这个代码我看不懂的博客
04-06 1万+
一、摘要 卷积神经网络（CNN）在表示高光谱图像和实现高光谱图像分类方面表现出令人印象深刻的能力。然而，传统的CNN模型只能对固定大小和权重的规则正方形图像区域进行卷积，因此不能普遍适用于具有不同对象分布和几何外观的不同局部区域。因此，它们的分类性能仍有待提高，尤其是在类边界方面。为了缓解这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里德数据进行卷积，并且适用于由图拓扑信息表示的不规则图像区域。与常用的GCN模型工作在固定图上不同，我们使图能够随着图卷积
基于多尺度卷积神经网络框架结合语义标签和surface normals以及深度预测
yuanCruise
07-24 1448
本文提出的方法可以在没有在超像素以及低维度的分割的情况下提取图像细节，直接产生一个像素map。模型框架框架主要继承于论文基于多尺度深度网络的单幅图像深度估计。首先我们的模型变得更深了（有了更多的卷积层）。其次，网络添加了第三个等级，将最终的输出分辨率提高到原图的一半（原来是1/4）。最后我们对于前两个等级的输出不固定，从一开始就统一训练三个层级，一起调整参数。一：层1 . 全局图像这一层提取全局特征
多尺度卷积网络（Muti-CNN-FNN Network）寿命预测研究
weixin_49890890的博客
08-03 1847
并行卷积神经网络（Muti-CNN-FNN Network）模型的主体结构前段部分由三个并行训练的CNN组成，后端部分由一系列前馈神经网络（FNN）组成。下面简称为MCFN。MCFN模型的并向CNN段实现不同传感器在数据层的信号融合，得到CNN提取的特征信息图，通过Concatenate函数指令将多传感器信号的特征图进行融合；MCFN采用前馈神经网络（FNN）记忆预测对象的退化信息，同时采用“Relu”函数进行非线性操作，实现寿命预测。
论文笔记 - Multi-Scale Orderless Pooling of Deep Convolutional Activation Features
qq_32417287的博客
05-19 1245
Abstract Introduction The Proposed Method Analysis of Invariance Large-Scale Evaluation Datasets Image Classication Results Image Retrieval Results Abstract CNN在图像识别应用上性能很好，但是全局CNN特征缺少几何...
639-Multi-scale Orderless Pooling of Deep Convolutional Activation Features.pdf
03-29
power, this paper presents a simple but effective scheme called multiscale orderless pooling (MOP-CNN). This scheme extracts CNN activations for local patches at multiple scale levels, performs ...
卷积神经网络——实例分割之Mask R-CNN论文翻译
itlilyer的博客
09-29 4626
论文链接 https://arxiv.org/abs/1703.06870 相关论文翻译链接 R-CNN：https://blog.csdn.net/itlilyer/article/details/107190083 Fast R-CNN：https://blog.csdn.net/itlilyer/article/details/107764472 Faster R-CNN：https://blog.csdn.net/itlilyer/article/details/108049850 Mask R-C
matlabsi模型代码-Multi-scale-CNN-Dehazing:通过多尺度卷积神经网络进行单幅图像去雾，ECCV2016
06-18
matlab si模型代码ECCV-通过多尺度卷积神经网络进行单幅图像去雾 任文奇、刘思、张华、潘金山、曹晓春、杨明轩 2016 年 10 月 10 日发布。 这些代码基于 MatConvNet。 描述 这是 ECCV16 论文的测试实现：Single Image Dehazing via Multi-scale Convolutional Neural Networks。 我们提供测试演示以及预训练模型。 脚本和预训练模型 这是我们在 ECCV16 中的去雾论文的演示实现。 此测试代码基于 MatConvNet 工具箱。 您应该首先在您的计算机上编译 MatConvNet，然后使用“demo_MSCNNdehazing.m”来测试您的图像。 “MSCNN_dehazing\matlab”文件夹中当前发布的编译版本可以直接在Win7电脑上使用。 引文 @inproceedings{Ren-ECCV-2016, 作者 = {任、文奇与刘、司与张、华与潘、金山与曹、小春与杨、明轩}， title = {通过多尺度卷积神经网络进行单图像去雾}， booktitle = {欧洲计算机视觉会议}
多尺度卷积神经网络的头部姿态估计_梁令羽.pdf
06-20
针对头部姿态估计准确率在实际应用中易受到光照、遮挡等干扰因素的影响以及大量运算导致算法运行 速度较低的问题，提出了多尺度卷积神经网络的头部姿态估计算法。通过使用不同尺度的卷积核对输入的头部 姿态图片进行特征提取，丰富了图像特征的同时保留了图像信息，增强算法对干扰因素的鲁棒性。同时引入 1x1 卷积对网络结构参数进行降维，降低系统的运算量，提高算法的时效性。实验结果表明，本文提出的算法在 Pointing ‘04 和 CAS-PEAL-R1 数据库的识别率分别为 96.5%和 98.9%，对于光照、表情、遮挡等干扰表现出较 好的鲁棒性，具有较好的运行速度
改进多尺度卷积神经网络的单幅图像去雾方法.pdf
09-07
改进多尺度卷积神经网络的单幅图像去雾方法
高分辨率遥感影像场景的多尺度神经网络分类法
08-27
高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础，在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度，本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。
卷积神经网络——目标检测之Faster R-CNN论文翻译
itlilyer的博客
09-04 1969
论文连接 https://arxiv.org/abs/1506.01497 Faster R-CNN: 基于区域建议网络的实时目标检测 0. 摘要 目前最先进的目标检测网络都依赖区域建议(也称候选框)算法来假设目录的位置。SPPnet和Fast RCNN网络的改进了 ...
基于卷积神经网络的多尺度注意力图像分类模型.pdf
09-25
基于卷积神经网络的多尺度注意力图像分类模型 本文提出了一种基于卷积神经网络的多尺度注意力图像分类模型，旨在解决传统图像分类方法精度低的问题。该模型首先提出了一种基于注意力机制的特征注意力模块（FAM），...
基于多尺度卷积神经网络的交通标志识别 (2).pdf
09-26
多尺度卷积神经网络（Multiscale Convolutional Neural Network）是一种深度学习算法，能够从不同尺度上提取图像特征。该算法通过组合多个卷积神经网络来实现图像特征的多尺度表示，从而提高图像识别的准确率。 ...
Res2Net+：增强型多尺度卷积神经网络实践教程
最新发布
gitblog_00017的博客
08-24 519
Res2Net+：增强型多尺度卷积神经网络实践教程 res2net-plus项目地址:https://gitcode.com/gh_mirrors/re/res2net-plus 项目介绍 Res2Net+ 是基于 Res2Net 构架的一个增强版本，它进一步优化了多尺度特征学习，提高了卷积神经网络（CNN）在图像识别和其他计算机视觉任务上的性能。Res2Net 首次提出了一种新颖的“分裂-瓶颈...
用tensorflow写一段多尺度卷积神经网络的代码
04-04
以下是使用TensorFlow编写的多尺度卷积神经网络的示例代码： ```python import tensorflow as tf # 定义输入数据的占位符 x = tf.placeholder(tf.float32, [None, 32, 32, 3]) y_true = tf.placeholder(tf.float32, [None, 10]) # 定义卷积层的函数 def conv2d(x, filters, kernel_size, stride, padding='SAME', activation=tf.nn.relu): conv = tf.layers.conv2d(x, filters, kernel_size, stride, padding, activation=activation) return conv # 定义多尺度卷积神经网络 def multiscale_cnn(x): # 第一层卷积 conv1_3x3 = conv2d(x, 64, [3, 3], 1) conv1_5x5 = conv2d(x, 64, [5, 5], 1) conv1_7x7 = conv2d(x, 64, [7, 7], 1) pool1 = tf.layers.max_pooling2d(conv1_3x3 + conv1_5x5 + conv1_7x7, [2, 2], [2, 2], 'SAME') # 第二层卷积 conv2_3x3 = conv2d(pool1, 128, [3, 3], 1) conv2_5x5 = conv2d(pool1, 128, [5, 5], 1) conv2_7x7 = conv2d(pool1, 128, [7, 7], 1) pool2 = tf.layers.max_pooling2d(conv2_3x3 + conv2_5x5 + conv2_7x7, [2, 2], [2, 2], 'SAME') # 第三层卷积 conv3_3x3 = conv2d(pool2, 256, [3, 3], 1) conv3_5x5 = conv2d(pool2, 256, [5, 5], 1) conv3_7x7 = conv2d(pool2, 256, [7, 7], 1) pool3 = tf.layers.max_pooling2d(conv3_3x3 + conv3_5x5 + conv3_7x7, [2, 2], [2, 2], 'SAME') # 展开特征图 flatten = tf.layers.flatten(pool3) # 全连接层 fc1 = tf.layers.dense(flatten, 1024, activation=tf.nn.relu) fc2 = tf.layers.dense(fc1, 512, activation=tf.nn.relu) logits = tf.layers.dense(fc2, 10) return logits # 构建模型 logits = multiscale_cnn(x) # 定义损失函数和优化器 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=logits)) train_op = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) # 定义准确率 correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y_true, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 训练模型 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(NUM_EPOCHS): for j in range(NUM_BATCHES): batch_x, batch_y = get_batch(train_data, BATCH_SIZE) sess.run(train_op, feed_dict={x: batch_x, y_true: batch_y}) val_acc = sess.run(accuracy, feed_dict={x: val_data, y_true: val_labels}) print("Epoch:", i+1, "Validation Accuracy:", val_acc) ``` 此示例中，我们定义了一个三层卷积神经网络，每层卷积使用不同大小的卷积核（3x3、5x5和7x7）来提取不同尺度的特征。在每个卷积层之后，我们使用最大池化层来缩小特征图的大小。最后，我们将特征图展开并传递到全连接层，得出输出。我们使用softmax交叉熵作为损失函数，并使用Adam优化器进行优化。我们还计算了准确率，以评估模型在验证集上的表现。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值