Learning Invariant Feature Hierarchies(泛读)

最新推荐文章于 2023-07-11 16:45:26 发布
最新推荐文章于 2023-07-11 16:45:26 发布
阅读量1.1k 收藏
点赞数
分类专栏： Something_Interesting Machine_Learning Deep_Learning 文献阅读 DL文献阅读与感悟 文章标签： 文献阅读 DeepLeaning
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/sheng_ai/article/details/39736893
版权

一.文献名字和作者

     Learning Invariant Feature Hierarchies，Yann LeCun
   

二.阅读时间

    2014年10月2日



三.文献的贡献点

    文章主要介绍了几种能够进行不变性特征的层级学习的算法，包括了主流的CNN和几种用作预训练的非监督学习方法、
   文章中提到使用卷积PSD作为预训练，能够取得比完全使用监督训练的CNN更好的效果。
   文章也提到，理论分析表明，对于Pooling操作而言，如果对于特征是稀疏的且Pooling范围比较小的话，可以使用无穷范式的Pooling过程，对于特征有较小的稀疏性或者Pooling区域比较小的情况，使用平均pooling或者L1、L2 范式的Pooling。在实际使用中，使用L2范式的Pooling是一个比较折中的选择。






版权所有，欢迎转载，转载请注明出处，谢谢微笑









shengno1
关注
专栏目录
2022TGRS/云检测：用于遥感图像云检测的无监督域不变特征学习Unsupervised Domain-Invariant Feature Learning for Cloud Detection
ssshyeong的博客
07-07 2444
我们提出了一种无监督域适应(UDA)方法，使在标记源卫星图像上训练的模型可以推广到未标记的目标卫星图像。具体而言，我们提出了一种细粒度特征对齐(FGFA)域适应策略，鼓励云检测网络提取域不变表示，这提高了云检测在未标记目标卫星图像中的准确性。该策略由两个步骤组成:1)基于注意引导机制的细粒度类相关特征选择和2)基于分组类相关特征对齐方法的类相关特征对齐(FA)。.........
Learning Invariant Deep Representation for NIR-VIS Face Recognition
weixin_30481087的博客
11-23 675
查找异质图像匹配的过程中，发现几篇某组的论文，都是关于NIR-VIS的识别问题，提到了许多处理异质图像的处理方法，网络结构和idea都很不错，记录其中一篇。 其余两篇： Wasserstein CNN: Learning Invariant Features for NIR-VIS Face Recognition A Light CNN for Deep Face Representati...
AdversarialInvariantFeatureLearningwithAccuracyConstraintforDomainGeneralization
12-23
## 来自 Single-Side Domain Generalization for Face Anti-Spoofing ## 引用 Kei Akuzawa, Yusuke Iwasawa, and Yutaka Matsuo. Adversarial invariant feature learning with accuracy constraint for domain generalization. arXiv preprint arXiv:1904.12543,2019.
论文翻译:Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation
lfcgimini的博客
10-27 1024
摘要 监督学习的成功依赖于假设训练和测试数据来自相同的潜在分布，这在实践中往往是无效的，因为潜在的分布转移。鉴于此，现有的非监督域自适应方法大多集中于实现域不变表示和小源域误差。然而，最近的研究表明，这并不足以保证在目标域上有良好的泛化，事实上，在标签分布位移下是有害的。此外，在许多实际应用中，从目标领域获取少量标记数据并使用它们来促进源数据的模型训练往往是可行的。受上述观察的启发，本文第一次提出了一个在半监督域自适应(semi-supervised domain adaptive，Semi-DA)的设置下
【论文导读2】Causal Machine Learning:A Survey and Open Problems
weixin_55703970的博客
09-06 2505
Learning这一章和我前段时间追的崔鹏教授的内容相一致，主要针对ML中“我们感兴趣的数据都是独立同分布的”这个实际上并不准确的假设。我们可以假设我们的数据是由 SCM 管理的干预分布生成的。对于across一组环境，生成的给定数据集，我们将每个环境 e ∈ E 视为从单独的干预分布中采样的。参考图 3.1 中的示例，我们如何以有原则的方式估计 p(y | x)？在不变特征学习。
LIFT: Learned Invariant Feature Transform
10-22
LIFT（Learned Invariant Feature Transform）是2016年欧洲计算机视觉会议（ECCV）上发表的一篇关于深度学习的论文。这篇论文介绍了一种新颖的深度网络架构，它实现了完整的特征点处理流程，包括特征点检测、方向...
SIFT_Scale-invariant feature transform_matlab
08-20
SIFT（尺度不变特征变换）是一种在图像处理和计算机视觉领域广泛应用的算法，由David G. Lowe在1999年提出。它主要用于提取图像中的关键点和描述符，这些特征对图像的缩放、旋转和光照变化具有很好的不变性，使得...
LIFT Learned Invariant Feature Transform
05-03
LIFT（Learned Invariant Feature Transform）是一种新颖的深度网络架构，它实现了完整的特征点处理流程，包括特征点的检测、方向估计和特征描述。在深度学习尚未广泛应用于局部特征点匹配之前，相关领域的研究主要...
LIFT：Learned Invariant Feature Points论文和笔记
01-14
论文强调了以下关键词：局部特征（Local Features）、特征描述子（Feature Descriptors）以及深度学习（Deep Learning）。局部特征在许多计算机视觉应用中扮演着关键角色，能够发现和匹配跨越不同图像的特征点一直是...
ECCV 2022 | 计算机视觉中的长尾分布问题还值得做吗？
Paper weekly
08-05 619
©作者 | 汤凯华单位 | 南洋理工大学研究方向 |计算机视觉时隔两年，饱受了社会的毒打之后，让我们再次重新回到计算机视觉中的长尾分布这个我博士期间研究的主要问题上，看看 2022 年了这个方向是否还值得继续做下去。本文主要介绍我们今年被 ECCV 2022 接受的论文，目前代码已经在 Github 上开源。论文标题：Invariant Feature Learning...
9篇论文速览域自适应、域泛化最新研究进展
最新发布
学姐带你玩AI的博客
07-11 1564
域自适应作为迁移学习的一种方法，主要解决源域与目标域之间分布不同的相似任务决策问题，但域自适应问题要求取得目标域的有标注或无标注数据，这与真实场景具有较大的区别。域泛化则是研究这一问题的有效方法，它希望模型能够学到域无关的特征，这种特征可以容易地泛化到新的测试数据域上。作为一直以来各大顶会的热门方向，今年关于域自适应和域泛化的高质量论文数量也是相当客观，所以我又来做分享了。这次收集了9篇机器学习顶会ICML域自适应/域泛化相关的 poster 论文，资料已打包，PDF+代码都整理了，文末领取。
ECCV 2022 | 多域长尾分布学习，不平衡域泛化问题研究（开源）
qq_29462849的博客
07-14 816
作者丨Yuzhe Yang@知乎 （已授权）来源丨https://zhuanlan.zhihu.com/p/539749541编辑丨极市平台导读本文由被ECCV2022接受论文的作者亲自解读，讲述如何推广传统不平衡分类问题的范式，将数据不平衡问题从单领域推广到多领域。前言项目主页：http://mdlt.csail.mit.edu/论文链接：https://arxiv...
笔记 ： LIFT: Learned Invariant Feature Transform 深度学习的特征点检测
兮语飞扬
07-21 1万+
                                                             LIFT: Learned Invariant Feature Transform      该文介绍了一种深度学习框架，并实现了图像特征点检测、方向估计和描述符提取，其中每一个部分都是基于卷积神经网络CNNs实现，采用了空间转换层来修正图像块得到特征点检测和方向估计。同时，...
机器学习——深度学习(Deep Learning)
热门推荐
Rachel Zhang的专栏
08-04 45万+
Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。Key Words：有监督学习与无监督学习，分类、回归，密度估计、聚类，深度学习，Sparse DBN，1. 有监督学习和无监督学习给定一组数据(input，target)为Z=(X，Y)。有监督学习：最常见的是r
无监督特征学习——Unsupervised feature learning and deep learning
Rachel Zhang的专栏
07-31 8万+
无监督学习近年来很热，先后应用于computer vision, audio classification和 NLP等问题，通过机器进行无监督学习feature得到的结果，其accuracy大多明显优于其他方法进行training。本文将主要针对Andrew的unsupervised learning，结合他的视频：unsupervised feature learning by Andrew N
Meta-Learning 论文
德米安
11-24 2908
Meta Learning/ Learning to Learn/ One Shot Learning/ Lifelong Learning 转自github:       https://github.com/floodsung/Meta-Learning-Papers 1 Legacy Papers [1] Nicolas Schweighofer and Kenji Doya. Met...
从2021年多篇顶会论文看OOD泛化新理论、新方法和新讨论
Paper weekly
07-10 1821
©PaperWeekly 原创 ·作者|张一帆学校|华南理工大学本科生研究方向|CV，CausalityarXiv 2021论文标题：Towards a Theoretica...
[深度学习论文笔记][总结]Invariant gait feature extraction based on image transformation
KFXW的专栏
09-07 3156
近期有两篇来自于同一第一作者单位的工作，使用基于神经网络的图像变换模型来处理不同视角、不同衣着或手持物的CEI特征到统一的90°正常特征(SPAE与GaitGAN)。在这里加以简单总结与对比。
SIFT (Scale-Invariant Feature Transform) 算法的基本原理是什么
03-09
SIFT算法的基本原理是在不同尺度下检测和描述图像中的关键点，通过对这些关键点进行特征提取和匹配，实现图像的识别和匹配。具体来说，SIFT算法通过高斯差分金字塔和尺度空间极值点检测，提取关键点的位置、尺度和...
评论
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