论文阅读
彼时云歌杳
cy
展开
-
Intriguing properties of neural networks手动翻译
Intriguing properties of neural networks神经网络有趣的特性深度神经网络:1)优点:深度神经网络是一种高度表达性的模型,在语音和视觉识别任务上取得了最好的表现2)相关理论1.可以通过寻找最大程度激活给定单元的输入集来分析各个单元的语义本文:对神经网络在坐标间解离变异因子的猜想提出了质疑,自然基底检查一些层激活φ(x)的属性时并不优于一个随机基底。...翻译 2020-04-22 17:12:14 · 1717 阅读 · 0 评论 -
The One Hundred Layers Tiramisu:Fully Convolutional DenseNets for Semantic Segmentation手动翻译
The One Hundred Layers Tiramisu:Fully Convolutional DenseNets for Semantic Segmentation一百层的Tiramisu:用于语义分割的全卷积DenseNets典型分割架构:(a)负责提取粗糙语义特征的下行采样路径(b) 一个上采样路径,用于在模型的输出处恢复输入图像的分辨率©(可选)后处理模块(如条件随机域)...翻译 2020-04-19 19:57:33 · 714 阅读 · 0 评论 -
Densely Connected Convolutional Networks手动翻译
DenseNet:1)特点:1.缓解了消失梯度问题2.增强了特征传播,改进了整个网络的信息流和梯度3.促进了特征再用,以开发网络的潜力4.更少的参数,因为不需要重新学习冗余的特征映射5.密集连接具有正则化效果,可以减少过拟合2)架构:1.通过跳跃连接利用CNNs的多级特征对各种视觉任务都是有效的2.以前馈的方式将每个层都连接到其他每一层,产生L(L+1)/2个直接连接3.De...翻译 2020-04-18 12:31:36 · 498 阅读 · 0 评论 -
Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks手动翻译
RPN:区域建议网络(Region Proposal Network)1)优点:1.和检测网络共享全图的卷积特征,使得区域建议几乎不花时间2.全卷积网络,在每个位置同时预测目标边界和objectness得分3.端到端训练4.平移不变性5.有效地预测具有广泛的比例尺和高宽比的区域规划2)架构1.在最后一个共享的卷积层输出的卷积特征映射上滑动小网络,每个滑动窗口映射到一个低维向量上...翻译 2020-04-17 11:37:30 · 506 阅读 · 0 评论 -
You Only Look Once:Unified, Real-Time Object Detection手动翻译
You Only Look Once:Unified, Real-Time Object Detection你只看一次:统一、实时的对象检测YOLO:1)特点:1.将对象检测定义为一个回归问题2.通过一次评价来预测边界框和类别概率3.直接从图像像素到边界框坐标和类概率,可以端到端优化检测性能2)优点:1.速度快,以45fps的速度实时处理图像,Fast YOLO的处理速度达到155...翻译 2020-04-13 17:23:22 · 888 阅读 · 0 评论 -
Fast R-CNN 论文翻译
Fast R-CNN:1)优点:1.Fast R-CNN采用了多项创新提高训练和测试速度来提高检测精度。①特征共享与分层采样,提高卷积层训练速度②截断的SVD:提高全连接层训练速度③“brute force”学习:以预定义的像素大小处理每个图像。网络必须直接从训练数据学习尺度不变性目标检测。提高训练速度④多任务训练,提高精度2.训练是使用多任务损失的单阶段训练。3.训练可以更新所有...翻译 2020-04-12 13:44:32 · 486 阅读 · 0 评论 -
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition论文翻译
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition空间金字塔汇聚在深度卷积网络中进行视觉识别深度卷积神经网络:1)特点:1.需要输入固定尺寸的图像,降低了对任意尺寸和比例的图像的识别精度SPP:1)特点:1.能产生固定大小的表征,与输入尺寸无关2.整张图片只需要进行一次特征图计算...翻译 2020-04-12 12:22:31 · 314 阅读 · 0 评论 -
U-Net: Convolutional Networks for Biomedical Image Segmentation论文翻译
U-Net:1)架构:收缩路径和扩展路径2)特点:1.语义分割2.overlap-tile策略3.使用弹性变形进行数据扩充4.使用权重损失来分离相同类的接触对象3)实验:2015 ISBI细胞跟踪挑战赛第一名文章目录摘要1. 介绍2. 网络架构3. 训练3.1 数据增广4. 实验5. 结论摘要人们普遍认为,深度网络的成功训练需要数千个带注释的训练样本。在本文中,我们提出了一...翻译 2020-04-12 11:57:21 · 653 阅读 · 0 评论 -
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION论文翻译
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION用于大规模图像识别的深度卷积网络VGG:1)贡献:说明了网络深度的重要性2)特点:1.使用非常小(3×3)的卷积滤波器,所有的卷积层都以相同的原则设计2.使用1×1的卷积滤波器,这可以看作是对输入通道的一个线性变换(其后面接一个非线性变换)3)架构4...翻译 2020-04-09 20:32:46 · 347 阅读 · 0 评论 -
Fully Convolutional Networks for Semantic Segmentation论文翻译
Fully Convolutional Networks for Semantic Segmentation用于语义分割的全卷积神经网络卷积网络:1)地位:目前语义分割中最先进的技术。2)传统方法:使用像素周围的一个图像块作为CNN的输入用于训练和预测3)优点:平移不变性,基本组件(卷积层、池化层和激活函数)作用于局部输入区域,并且只依赖于相对的空间坐标4)缺点:存储开销很大;计算效率...翻译 2020-04-09 18:24:37 · 775 阅读 · 0 评论 -
Highway Network论文翻译
Highway Network:1)问题来源:随着深度的增加,网络训练变得更加困难2)特点:使用门控单元来学习如何通过网络来调节信息流,使信息畅通无阻地在信息高速公路的不同层之间流动,收敛更快。3)结构:其中x、y、H(x,W H)和T(x,W T)的维度必须匹配文章目录Abstract1. Introduction1.1 Notation2. Highway Network2.1 ...翻译 2020-04-07 16:14:20 · 692 阅读 · 0 评论 -
Deep Residual Learning for Image Recognition论文翻译
深度网络:1)特点:1.将一个端到端的多层模型中的低/中/高级特征以及分类器整合起来2.模型的深度至关重要2)问题:1.梯度消失/梯度爆炸:这从一开始便阻碍了模型的收敛,归一初始化和BN在很大程度上解决了这一问题2.退化:随着网络深度的增加,准确率达到饱和然后迅速退化shortcut:1)定义:跳过一个或者多个层2)作用:使得层能根据其输入来学习残差函数,残差函数通常只有很小的响...翻译 2020-04-06 18:15:55 · 348 阅读 · 0 评论 -
Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift论文翻译
Internal Covariate Shift:1)定义:训练时,上一层的参数的更新改变后,下一层的输入的分布就会变化,使训练变得复杂。2)缺点:1.学习率不能太高(参数不能变化太剧烈),进而导致训练缓慢2.层参数初始化必须细致3.使用饱和非线性激活函数(如sigmoid,正负两边都会饱和)的训练很困难3)解决方法:归一化输入层mini-batch:1)优点:简单高效,训练集的...翻译 2020-04-05 18:30:48 · 346 阅读 · 0 评论 -
OverFeat:Integrated Recognition, Localization and Detection论文翻译
ConvNets:优点:整个系统是端到端的训练,从原始像素到最终类别,从而减少了手动设计合适的特征提取器的需求。缺点:需要大量带标签的训练样本。OverFeat:1)定义一种多尺度、滑动窗口的方法,可用于分类、定位和检测2)贡献:1.证明了使用单一的共享网络可以同时学习不同的任务2.提出了一种基于单卷积神经网络的目标检测、识别和定位的集成方法,可以提高所有任务的分类精度,检测和定位...翻译 2020-04-03 14:48:07 · 370 阅读 · 0 评论 -
Segmentation as Selective Search for Object Recognition论文翻译
exhaustive search:1)优点:nature(对象可以位于图像中的任何位置和比例)2)缺点与对策:1.要计算的图像和窗口的总数非常多,在计算上是昂贵对策:使用具有简单计算特性的弱分类器HOG文章目录Abstract1. Introduction2. Related Work2.1 Exhaustive Search for Recognition2.2 Selective S...翻译 2020-04-02 13:42:54 · 224 阅读 · 1 评论 -
Visualizing and Understanding Convolutional Networks论文翻译
文章目录Abstract1. Introduction1.1 Related Work2. Approach2.1 Visualization with a Deconvnet3. Training Details4. Convnet Visualization4.1 Architecture Selection4.2 Occlusion Sensitivity5. Experiments5.1 ...翻译 2020-03-30 18:04:03 · 323 阅读 · 0 评论 -
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION论文翻译
文章目录摘要1. 介绍2. ConvNet configurations2.1 architecture2.2 configuration2.3 DISCUSSION3. classification framework3.1 TRAINING3.2 TESTING3.3 implementation details4. classification experiments4.1 single s...翻译 2020-03-29 16:01:38 · 318 阅读 · 0 评论 -
Rich feature hierarchies for accurate object detection and semantic segmentation论文翻译
文章目录摘要1. 引言2. R-CNN对象检测2.1 模块设计2.2 Test-time detection2.3 Training2.4 Results on PASCAL VOC 2010-122.5 Results on ILSVRC2013 detection3. Visualization, ablation, and modes of error3.1 Visualizing lear...翻译 2020-03-27 16:43:25 · 286 阅读 · 0 评论 -
Going deeper with convolutions论文翻译
文章目录摘要1. 引言2. 相关研究3. 动机与高层设计考虑4. 结构细节5. GoogLeNet6. 训练方法7. ILSVRC 2014分类挑战的设置与结果8. ILSVRC 2014识别挑战的设置与结果9. 结论摘要我们提出了一个名为“Inception”的深度卷积神经网结构,其目标是将分类、识别ILSVRC14数据集的技术水平提高一个层次。这一结构的主要特征是对网络内部计算资源的利用...翻译 2020-03-25 17:48:01 · 253 阅读 · 0 评论 -
AlexNet论文翻译
ImageNet Classification with Deep Convolutional Neural Networks基于深度卷积神经网络的ImageNat分类论文原址:http文章目录摘要1. 引言2. 数据集3. 体系结构3.1 ReLu非线性激活函数3.2 在多个GPU上训练3.3 局部响应归一化3.4 重叠Pooling3.5 总体结构4. 减少过拟合4.1 数据增强4.2 D...翻译 2020-03-24 10:25:06 · 196 阅读 · 0 评论 -
Selective Search for Object Recognition论文翻译
文章目录摘要2. 相关工作2.1 穷举搜索2.2 分割2.3 其他采样策略3. 选择性搜索3.1 按层次分组进行选择性搜索3.2 多样性策略3.3 区域合并4. 基于选择性搜索的对象识别5. 评估5.1 多样性策略5.1.1 平面与层次结构5.1.2 独立的多样化策略5.1.3 多样化策略的组合5.2 位置的质量5.2.1基于边框的位置5.2.2基于区域的位置5.3 对象识别5.4 Pascal ...翻译 2020-03-22 21:17:51 · 1119 阅读 · 0 评论 -
Segmentation as Selective Search for Object Recognition
文章目录摘要1. 介绍2. 相关工作2.1 基于穷举搜索的识别2.2 基于选择性搜索的对象描述3. 基于选择性搜索的分割3.1 我们的分割算法3.2 阴影、底纹和高光3.3 讨论4. 对象识别系统5. 评估5.1 实验一:用于选择性搜索的分割5.2 实验二:用于识别的选择性搜索5.3 实验三:用于对象描述的选择性搜索5.4 实验四:对象识别精度6. 结论摘要对于目标识别,目前最先进的技术是基于...翻译 2020-03-20 11:57:59 · 309 阅读 · 0 评论