论文
文章平均质量分 94
space_dandy
算法
展开
-
Learning from Very Few Samples: A Survey(小样本学习综述)
1. Introduction 成功从很少的样本中学习和概括的能力是区分人工智能和人类智能的一个明显的边界。人类智能的一个特点是能够从一个或几个例子中快速建立对概念的认知。相关研究表明:人类的显著学学习能力得益于人脑中前额叶皮层(PFC)和工作记忆,特别是PFC特有的神经生物学机制与大脑中存储的以往经验的相互作用。 深度学习算法成功主要归结于三个关键因素:强大的计算资源、复杂的神经网络结构;大规模的数据集。在真实的应用场景中,如医学、军事和金融领域,无法获取到充足的标注样本...原创 2021-08-30 11:28:01 · 1514 阅读 · 0 评论 -
EV-SegNet: Semantic Segmentation for Event-based Cameras
本文主要提出了一个适用于DVS数据的语义分割网络。背景DVS属于一种比较有前途的传感器,可以捕捉环境的强度变化,DVS将数据强度以事件流的形式输出,事件表示为在特定时刻特定像素处的强度变化。DVS的优点如下:高时间分辨率,可以在微秒捕获多个事件;高动态范围,可以在弱光或黑暗环境下捕获信息低功耗和带宽要求在图像识别领域,DVS的使用难点如下:对于CNN模型来说,缺乏合适的DVS事件流表示缺少标记的训练数据集本文的创新点如下:提出了一个Xception-based CNN模型,可原创 2020-08-20 13:58:49 · 1173 阅读 · 4 评论 -
Event-based Asynchronous Sparse Convolutional Networks
文章贡献事件数据的处理方法中,批量处理事件数据,将其转换为中间输入表示的方法取得了较大的进展,但是该方法没有利用事件数据的异步性和稀疏性。本文针对事件数据,提出了一个通用的基于事件的处理框架,结合了低延迟方法和高精度批处理方法的优点。允许神经网络利用输入流和相关表示的异步和稀疏特性,从而大大减少计算量。该框架提供了几个理想特性:(1)对事件表示、神经网络结构和任务不可知;(2)不需要对优化和训练过程进行任何更改;(3)模拟了事件的时空稀疏性。1. Method介绍了展示了如何在经典的卷积架构中利用事原创 2020-08-26 14:58:46 · 629 阅读 · 6 评论 -
Submanifold Sparse Convolutional Networks
学习文章Event-based Asynchronous Sparse Convolutional Networks涉及到本文的稀疏卷积操作。关注点目前卷积网络主要对密集输入进行处理,但是现实中有许多数据是稀疏的,作者提出了稀疏卷积操作用于处理系数点,该卷积可以在子流形结构上进行操作。1.Motivation1.1子流形膨胀如图所示,一维的源泉在二维平面上进行卷积操作时,发现随着卷积层数的增加,输出的特征图的稀疏性会迅速消失。子流形用于表示稀疏数据,因为它的有效维数低于它所在的空间,例如二维空原创 2020-08-27 16:23:20 · 1151 阅读 · 0 评论 -
R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating Object
本文针对旋转目标的检测提出了R3det。论文地址:https://arxiv.org/abs/1908.056121.Introduciton 目前,旋转目标检测面临三个主要挑战:待检测目标纵横比较大 待检测目标的排列较为密集 类别不平衡 本文讨论了如何设计一个准确和快速的旋转目标检测器。文章提出了一个refined one-stage 旋转检测器,其设计策略结合了水平anchor的高召回率和旋转anchor对密集场景的适应性两方面的优点,在第一个阶段使用水平anch...原创 2020-10-14 15:03:21 · 10215 阅读 · 21 评论 -
Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition
论文地址:https://link.springer.com/article/10.1007/s11263-014-0788-31.摘要:卷积神经网络在解决目标检测等计算机视觉问题上展现了很大的优势,而脉冲神经网络在使用超低功耗的spike-based神经形态的硬件上具有极大的潜力。该篇文章的工作给出了一个新的将CNN转变为SNN网络的方法,并在DAPRA Neovision2和CIFAR-10数据集上达到了与传统CNN网络相当的优势。2.方法:2.1传统卷积神经网络模型由卷积层、tan原创 2020-11-11 14:39:26 · 1039 阅读 · 2 评论