图像分类
小颜学人工智能
越努力,越幸运❤️
展开
-
图像分类经典论文阅读笔记4:ResNet-Deep residual learning for image recognition
1.概述随着神经网络的深度增加,网络会学习更高等级的特征,从而提高性能。但是,网络深度的增加,会出现梯度消失和梯度爆炸问题(从一开始阻碍收敛),可以通过标准初始化(normalized initialization)和中间标准化层(BN)解决。继续不断加深神经网络深度时,会出现退化(Degradation)问题,即准确率会先上升然后达到饱和,再持续增加深度会导致准确率下降。退化问题说明深度网络不...原创 2020-03-03 14:26:05 · 350 阅读 · 0 评论 -
图像分类经典论文阅读笔记3:GoogLeNet-Going deeper with convolutions
1.概述GoogLeNet(Inception V1)采用模块化结构,包括500万个参数(AlexNet参数量的十二分之一),网络包括5层卷积层(每层由卷积层或Inception结构堆叠构成)和一个全连接层,共计22层。因此,在计算资源或内存有限时,GoogLeNet是比较好的选择。论文研究目标:利用赫布(Hebbian)定理和多尺度处理直觉设计增加深度和宽度并提高计算资源利用率的稀疏网络结构...原创 2020-03-01 14:03:04 · 298 阅读 · 0 评论 -
图像分类经典论文阅读笔记2:VGGNet-Very deep convolutional networks for large-scale image recognition
1.概述VGGNet探索卷积神经网络深度与其性能的直接关系,证明了增加网络深度能够在一定程度上影响网络性能,使得错误率大幅下降。其包括1.33亿-1.44亿个参数,网络结构包括5层卷积层(每层1-4个卷积子层)、3层全连接层以及softmax层,卷积层之间使用最大池化分隔,激活函数采用ReLU函数。数据集:ILSVRC(ImageNet子数据集),包括130万张训练集图片(1000类),5万张...原创 2020-02-28 22:04:13 · 496 阅读 · 0 评论 -
图像分类经典论文阅读笔记1:AlexNet-Imagenet classification with deep convolutional neural networks
1.概述AlexNet包括6000万个参数和65万个神经元,网络结构包括5个卷积层和3个全连接层,最后一个全连接层接1000路softmax层用于分类,其中第1、2卷积层后连接局部响应归一化层(LRN),第1、2、5卷积层后连接最大池化层。数据集:ILSVRC(ImageNet子数据集),包括120万张训练集图片(1000类),5万张验证集图片和15万张测试集图片;ImageNet数据集:1...原创 2020-02-27 13:43:45 · 503 阅读 · 0 评论