![](https://img-blog.csdnimg.cn/20190901175456273.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文解析
文章平均质量分 93
祥瑞Coding
机器学习,计算机视觉
展开
-
虚拟换装知识脉络
近年来,随着电商的兴起,大量的关于虚拟试衣的论文被发表。本文梳理一下相关脉络。原创 2021-06-18 16:22:34 · 1620 阅读 · 3 评论 -
基于检测任务的小样本增量学习 Few-shot Object Detection via Feature Reweighting. ICCV 2019论文详解
新加坡国立大学发表在ICCV 2019上。解决小样本目标检测问题。目前目标检测的增量都与小样本学习相结合,可能因为小样本的目标检测虽然性能较差,但是提升较大,因此容易产生一些贡献点和达到SOTA。解决方案也是按照类似于,分类任务的方法,先将模型分为特征提取阶段和功能阶段,然后在功能阶段进行改进,从而使得特征提取阶段可以共用或者复用。论文地址:[1812.01866] Few-shot Object Detection via Feature Reweighting (arxiv.org)目录原创 2021-05-16 14:48:13 · 3180 阅读 · 8 评论 -
增量学习方法分类及近两年论文汇总
目录一、数据增量与类别增量二、常见增量学习结构三、增量学习方法分类四、总结及论文链接4.1 总结4.2 相关论文链接一、数据增量与类别增量增量学习任务分为,数据增量和类别增量。数据增量过程中,增量任务和原始任务之间没有新类别出现,两者具有相同的类别。本文对广义和狭义的类别增量进行了明确的定义,对于增量任务,具有如下的定义:C表示所有的类别 Tt表示增量任务t之中的类别,相当于C的子集 DcC表示所有类别C中子类c的样本 DtT表示增量任务t中类别原创 2021-05-12 20:34:44 · 14898 阅读 · 25 评论 -
无监督增量学习 Unsupervised Class-Incremental Learning Through Confusion. ICLR 2021 被拒文章
乔治亚州研究所提出的,发表在ICLR2021上。针对无监督的类别增量提出了本文的方法。本文基于无监督,增量数据没有标签,因此范畴就是选用了增量学习之中最宽松的限制,即基于样本回放的增量学习方法,旧样本会被存储在模型Memory之中。论文地址:[2104.04450] Unsupervised Class-Incremental Learning Through Confusion (arxiv.org)目录1.贡献点1.1思路1.2 贡献点2.方法2.1 settings2.原创 2021-05-12 20:21:48 · 3195 阅读 · 8 评论 -
基于模型结构增扩的增量学习方法 归纳和详解
基于模型结构增扩的方法,本文对近两年基于模型结构扩张的增量学习方法进行归纳总结和详解。文章链接如下:RKR论文详解 Rectification-based Knowledge Retention for Continual Learning. CVPR 2021 基于知识矫正的持续学习_祥瑞的技术博客-CSDN博客DER论文详解DER: Dynamically Expandable Representation for Class Incremental Learning, CVPR 2021_原创 2021-05-11 22:35:22 · 2035 阅读 · 1 评论 -
基于拓扑图的增量学习方法 论文归纳与详解
近两年,基于拓扑图模型的方法开始得到应用。这种方法也是将模型分为特征提取模型和分类器模型,特征提取模型用于对特征进行提取。拓扑图模型多用于特征分类阶段,用于学习不同类别之间的关系。因为增量任务和拓扑结构有一定的类似,即有的任务之间联系紧密,有的任务之间联系不紧密,这种对应的关系可以通过拓扑图模型进行学习,从而应用在分类器上,提升模型性能。本文将基于拓扑图的增量学习方法进行归纳。CVPR2020 ,FSCIL Few-shot Class Incremental Learning。将NG网络运用到增量原创 2021-05-11 22:22:54 · 2910 阅读 · 1 评论 -
Few Shot Incremental Learning with Continually Evolved Classifiers论文详解 基于持续进化分类器的小样本类别增量学习CVPR2021
Few Shot Incremental Learning with Continually Evolved ClassifiersCVPR2021,由新加坡南洋理工大学本文利用Graph即图模型,将拓扑结构与增量模型向结合,从而取得不错的效果。类似论文,均是基于双阶段的增量模型,一个是特征提取模块,另一个是分类器模块。对于Rehearsal的方法而言,特征提取模块可能一起更新。对于本文的方法而言,特征提取模块一旦初始训练好,就固定下来,只更新分类器模块。本文的分类器模块与GAT(.原创 2021-05-10 22:13:47 · 3234 阅读 · 2 评论 -
TPCIL论文详解,基于持续改进分类器的增量学习Topology-Preserving Class-Incremental Learning,ECCV2020
ECCV 2020论文地址:https://doi.org/10.1007/978-3-030-58529-7_16代码地址:论文中称,代码 will be released西交大发表的。单看标题推测是运用Graph和拓扑学的知识来进行增量学习。基于正则化的增量学习方法。近两年很多论文都有类似想法,就是将CNN与Graph相结合来进行增量学习,用CNN提取模型特征,获得embedding信息,Graph网络用于学习特征之间的拓扑关系。目录1.贡献点2.方法2.1总体方法2.2原创 2021-05-10 21:55:24 · 1354 阅读 · 1 评论 -
基于拓扑的增量学习Topology Preserving Class-Incremental learning论文详解ECCV2020
ECCV 2020论文地址:https://doi.org/10.1007/978-3-030-58529-7_16代码地址:论文中称,代码 will be released西交大发表的。单看标题推测是运用Graph和拓扑学的知识来进行增量学习。基于正则化的增量学习方法。近两年很多论文都有类似想法,就是将CNN与Graph相结合来进行增量学习,用CNN提取模型特征,获得embedding信息,Graph网络用于学习特征之间的拓扑关系。CVPR2020 ,FSCIL Few-sho...原创 2021-05-10 21:47:31 · 2023 阅读 · 4 评论 -
Supervised Contrastive Replay 论文详解 通过NCM分类器和图片回放实现增量学习
论文地址:[2103.13885] Supervised Contrastive Replay: Revisiting the Nearest Class Mean Classifier in Online Class-Incremental Continual Learning (arxiv.org)Supervised contrastive replay: revisiting the nearest class mean classifier in online class-incrementa原创 2021-04-30 23:40:49 · 3826 阅读 · 6 评论 -
论文详解Memory Efficient Incremental learning through feature adaptation. ECCV2020 基于增量特征映射
CVPR2020,由Google Research提出。看标题是基于样本回放的方法。如何在网络变化之后,将旧特征映射到新特征。类似的方法例如SDC,Semantic Drift Composition。SDC: SDC论文详解Semantic Drift Compensation for Class-Incremental Learning. CVPR 2020目录1.贡献点1.1 基于rehearsal方法的分类1.2 贡献点2.框架2.1 特征提取+分类器2.2.原创 2021-04-27 22:57:11 · 1925 阅读 · 2 评论 -
差文解析 IIRC: Incremental Implicitly-Refined Classification
论文地址:[2012.12477] IIRC: Incremental Implicitly-Refined Classification (arxiv.org)不介意浪费时间的可以把原论文扒出来读一读,见识一下这篇论文的差。(手动狗头)。不介意浪费时间的可以读一读博主的文章,因为博主已经浪费时间读了一下这个论文,还写了一下。(手动狗头)本篇论文比较差劲,方法层面相当于提出一个IIRC(Incremental implicitly refined classification),但是这个IIRC原创 2021-04-26 23:24:48 · 972 阅读 · 4 评论 -
FSCIL论文详解 Few-Shot Class-Incremental Learning, CVPR2020
CVPR2020论文地址:https://arxiv.org/pdf/2004.10956.pdfCVPR2020 本篇,FSCIL,西交大提出的。将NG网络运用到增量学习之中。ECCV2020,TPCIL,也是西交大的同一个人发的,Topology Preserving Class-Incremental learning,同样的框架,即CNN+拓扑结构,部分内容换了一个写法。CVPR2021与本篇非常类似,Few-Shot Incremental Learning with Cont原创 2021-04-26 22:59:15 · 5717 阅读 · 3 评论 -
DER论文详解DER: Dynamically Expandable Representation for Class Incremental Learning, CVPR 2021
论文地址:[2103.16788] DER: Dynamically Expandable Representation for Class Incremental Learning (arxiv.org)代码地址:https://github.com/Rhyssiyan/DER-ClassIL.pytorch.本文上海科技大学和中国科学院大学共同发表。发表在CVPR2021. 本文是通过增加模型权值来适应增量任务。也运用了memory,相当于基于rehersal和模型的方法的结合。本文主要的改进在原创 2021-04-26 22:52:08 · 5759 阅读 · 10 评论 -
CEC论文详解Few Shot Incremental Learning with Continually Evolved Classifiers. CVPR2021
Few Shot Incremental Learning with Continually Evolved ClassifiersCVPR2021,由新加坡南洋理工大学发表本文利用Graph即图模型,将拓扑结构与增量模型向结合,从而取得不错的效果。论文地址:[2103.16788] DER: Dynamically Expandable Representation for Class Incremental Learning (arxiv.org)目录1.贡献点2. 方.原创 2021-04-25 23:31:46 · 4149 阅读 · 2 评论 -
PODNet: Pooled Outputs Distillation for Small-Tasks Incremental Learning论文详解ECCV2020
ECCV2020论文地址:https://doi.org/10.1007/978-3-030-58565_6代码地址:https://github.com/arthurdouillard/incremental learning.pytorch目录1.贡献点2.方法2.1 pool类型2.2 POD(Pooled Outputs Distillation)方法2.3 LSC(Local Similarity Classifier)三、实验结果3.1 消融实验3.2原创 2021-04-25 23:19:51 · 4771 阅读 · 9 评论 -
CVPR2021论文详解Rainbow Memory: Continual Learning with a Memory of Diverse Samples
论文地址:https://arxiv.org/abs/2103.17230代码地址:https://github.com/clovaai/rainbow-memory本文基于样本回放的方法,本文某种意义上借鉴了主动学习中找难样本的方法,将找到的难样本作为Memory中用于回放的样本。本文的意义在于如何寻找难样本。1.贡献点因为本文涉及memory,因此可以看作基于样本回放的增量学习方法。本文解决的问题是,如何选取更好的样本来放置在Memory之中。基于增量学...原创 2021-04-25 22:57:52 · 3579 阅读 · 3 评论 -
RKR论文详解 Rectification-based Knowledge Retention for Continual Learning. CVPR 2021 基于知识矫正的持续学习
概览:RKR这篇文章,基于网络结构进行增量学习。将新的类别的信息存储在额外的网络结构之中,文中称为rectification generator (RG)生成器和scaling factor generator (SFG)生成器。从而解决Few-shot和zero-shot增量学习的问题.论文地址:https://arxiv.org/abs/2103.16597目录一、贡献点概览二、方法2.1 方法综述2.2 权重矫正2.3 RG和SFG网络的具体实现2.4 新增内存占用原创 2021-04-15 23:11:35 · 1998 阅读 · 5 评论 -
SDC论文详解Semantic Drift Compensation for Class-Incremental Learning. CVPR 2020
论文地址:https://arxiv.org/abs/2004.00440一、贡献点文章发表于CVPR2020,用于解决增量学习中类别增量的问题。贡献点有下面几个:不同于以往的交叉熵loss, 本文的embedding network提出了triple loss,关于triple loss会在后面进行介绍,triple loss简单理解为基于特征空间质心的loss,样本提取特征后,距离特征空间的离质心越近,则loss越小,反之则越大。 本文的SDC(Semantic Dr...原创 2021-04-18 21:11:34 · 2405 阅读 · 0 评论 -
谷歌论文Weight Agnostic Neural Networks(WANN)权重无关神经网络
论文地址:https://arxiv.org/abs/1906.04358项目及代码地址:https://weightagnostic.github.io/目录一、概览1.1 贡献点1.2 背景二、方法2.1 本文做法2.2 相关工作2.3 方法网络结构搜寻结构搜索 Topology search2.4 性能与复杂度评估三、实验及结果...原创 2019-12-06 17:28:33 · 1552 阅读 · 0 评论 -
Text to image基于GAN的文本生成图像GAN-INT-CLS解析
文本生成图像简要回顾text to imagehttps://blog.csdn.net/mohole_zhang/article/details/89374420文本生成图像论文与代码汇总:http://bbs.cvmart.net/topics/356/arbitrary-text-to-image-papers-tu-xiang-wen-ben-sheng-cheng-lun-w...原创 2019-11-10 15:18:29 · 7880 阅读 · 2 评论 -
眼底血管分割MICCAI 2019论文详解Multi-task Neural Networks with Spatial Activation for Retinal Vessel...
MICCAI2019论文详解Multi-task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification论文:基于空域激活神经网络的眼底视网膜血管动静脉分割Wenao Ma, Shuang Yu, Kai Ma, Jiexiang Wang...原创 2019-11-04 12:04:55 · 6059 阅读 · 9 评论 -
YOLO_v2论文详解YOLO9000: Better, Faster, Stronge
论文地址: https://arxiv.org/abs/1612.08242或者:https://pjreddie.com/media/files/papers/YOLO9000.pdf代码地址: http://pjreddie.com/yolo9000/相关内容: YOLO_v1论文详解You Only Look Once,Unified, Real-Time Object De...原创 2019-10-01 22:07:59 · 560 阅读 · 0 评论 -
深度学习目标检测2013-2018单双阶段主流模型概览及详解
背景:深度学习引入目标检测领域以来,给目标检测领域带来了很多突破性的进展,文章“Deep Learning for Generic Object Detection: A Survey”由香港中文大、国防科技大、芬兰奥卢大学、澳大利亚悉尼大学、加拿大滑铁卢大学的研究者共同发布的一篇综述文章,系统的总结了2013年深度学习引入目标检测领域以来的进展。非常具有参考意义。目的: 本文在该论文基础上,...原创 2018-12-04 19:27:45 · 9849 阅读 · 1 评论 -
批归一化Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift论文详解
背景: BN层为深度学习领域最经典结构之一,被深度网络广泛采用。我们需要深入理解BN的作用及机制。目的: 详解BN论文。论文地址:https://arxiv.org/abs/1502.03167v2目录一、概览MotivationSolutionBenefits实验验证二、问题背景2.1 SGD中mini batch2.2 梯度2.3 mini-ba...原创 2019-03-15 11:31:09 · 1544 阅读 · 1 评论 -
谷歌Nature论文alphaGo Zero: Mastering the game of Go without human knowledge论文详解
背景:谷歌的阿尔法围棋算法(AlphaGo)是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人,由谷歌(Google)旗下DeepMind公司戴密斯·哈萨比斯领衔的团队开发。其主要工作原理是“深度学习(deep learning)”。2017年,谷歌推出了Alpha Zero,通过强化学习(reinforcement learning)的方法,在不依赖人类经验的基础和击败了Alp...原创 2019-01-09 19:23:40 · 2763 阅读 · 1 评论 -
韩松博士毕业论文Efficient methods and hardware for deep learning论文详解
论文由三部分构成,也是韩松在博士期间的工作,相关论文与解析见下面:Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman coding: https://blog.csdn.net/weixin_36474809/article/details/80...原创 2019-01-03 16:29:21 · 5644 阅读 · 1 评论 -
图像去噪论文Noise2Noise-Learning Image Restoration without Clean Data论文详解
背景:这篇文章发在ICML2018上,是图像领域的重要的论文。训练图像去噪不需要无噪的原图像,非常具有参考意义。目的:读懂并解析论文。论文地址:https://arxiv.org/abs/1803.04189源码地址:https://github.com/NVlabs/noise2noise目录一、摘要与背景1.1 贡献点1.2 问题描述二、理论背景2.1 问题...原创 2019-01-22 20:21:55 · 13997 阅读 · 11 评论 -
人脸检测算法MTCNN Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks论文详解
背景:MTCNN作为人脸定位算法被广泛应用,无论是准确率和实时性方面都很有价值。目的:解析MTCNN的论文。论文地址:https://arxiv.org/abs/1604.02878目录一、摘要1.1 贡献点二、方法2.1 框架2.2 CNN架构2.3 训练过程人脸/非人脸判别生成的备选框回归人脸关键点标注定位多任务训练难样本挖掘三、实验...原创 2019-01-18 10:15:26 · 1183 阅读 · 1 评论 -
模型压缩经典论文SqueezeNet:AlexNet level accuracy with 50x fewer parameters and less 0.5MB model size论文详解
ICLR2017 的SqueezeNet为模型压缩领域最经典的文章之一。论文链接:http://arxiv.org/abs/1602.07360代码链接:https://github.com/DeepScale/SqueezeNet目录一、简介1.1 作者1.2 SmallerCNN的优点 层间传递少 占用带宽小 更易部署于硬件1.3 贡献点二、方法...原创 2019-01-06 17:44:22 · 752 阅读 · 1 评论 -
韩松EIE:Efficient Inference Engine on Compressed Deep Neural Network论文详解
EIE为韩松博士在ISCA 2016上的论文。实现了压缩的稀疏神经网络的硬件加速。与其近似方法的ESE获得了FPGA2017的最佳论文。目录一、背景与介绍1.1 Motivation1.2 前期工作1.3 贡献点二、方法2.1 公式描述 神经网络的基本运算 对于神经元的运算 Deep compression后的公式 查表与值 2.2 矩阵表示(重要)...原创 2018-12-28 19:21:31 · 6924 阅读 · 1 评论 -
韩松DSD:Dense-sparse-dense training for deep neural networks论文详解
目的:本文是对韩松博士ICLR 2017论文 DSD:Dense-sparse-dense training for deep neural networks的详细解析。论文地址:https://arxiv.org/pdf/1607.04381.pdf代码地址:https://songhan.github.io/DSD.目录一、摘要贡献点:1.1 全新模型1.2 提升模...原创 2018-12-28 16:23:50 · 3853 阅读 · 0 评论 -
韩松Deep compression论文讲解——PPT加说明文字
本文为Deep compression的论文笔记,相应的ppt及文字讲解原论文《 Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman coding》https://arxiv.org/abs/1510.00149相关论文深鉴科技FPGA2017...原创 2018-06-10 19:20:27 · 15919 阅读 · 50 评论 -
深鉴科技FPGA2017最佳论文ESE Efficient speech recognition engine with sparse LSTM on FPGA论文详解
背景:FPGA2017的最佳论文为深鉴科技的ESE,把稀疏网络的FPGA实现给出了丰富的参考意义。目的:详细解析ESE Efficient speech recognition engine with sparse LSTM on FPGA论文。论文地址:https://arxiv.org/abs/1612.00694目录一、摘要1.1 motivation1.2 贡献点...原创 2019-01-10 14:25:30 · 4985 阅读 · 3 评论 -
pix2pix论文详解pix2pix:Image-to-Image Translation with Conditional Adversarial Networks
目的:CVPR 2017论文pix2pix,在image2image的任务之中具有很好的效果。我们需要详细解析此论文,搞懂其中的原理。项目地址:https://phillipi.github.io/pix2pix/论文地址:https://arxiv.org/abs/1611.07004目录一、概览及基础1.1 效果概览1.2 传统GAN原理1.3 GAN分类二、方...原创 2019-04-09 17:46:34 · 23993 阅读 · 8 评论 -
YOLO_v1论文详解You Only Look Once,Unified, Real-Time Object Detection
目录一、概览1.1 贡献点1.2 背景双阶段单阶段二、方法2.1 Unified detection2.2 网络结构设计2.3 缺点三、实验3.1 模型性能对比3.2 错误样本分析3.3 YOLO与fast-RCNN的boost3.4 实时检测模型对比四、结论及个人评价相关内容:深度学习目标检测2013-2018模型总结概览及详解...原创 2019-09-28 16:19:20 · 496 阅读 · 0 评论 -
深度学习概览及主流模型演进
目录一、人脑视觉机理二、深度学习的训练过程三、卷积神经网络四、主流模型及演进LeNet-5AlexNetGoogLeNetGoogLeNet中的inceptionVGG-NetFCN-fully convolutional networkResnetDensenet一、人脑视觉机理 1981 年的诺贝尔医学奖,颁发给了David...原创 2019-09-04 11:00:27 · 1286 阅读 · 0 评论 -
2017.1-2018.4基于迁移学习的水下图像分类
2017.1-2018.4 运用迁移学习的方法,提升水下图像识别的准确率。发表论文:Man-Made Object Recognition from Underwater Optical Images Using Deep Learning and Transfer LearningIEEE International Conference on Acoustics, Speech a...原创 2019-08-06 10:48:22 · 1662 阅读 · 0 评论 -
2017.1-2018.4低运算复杂度和存储复杂度的图像分类网络实现
背景:实现极小内存与运算资源占用下的手写字符、车标、人脸图像的识别。以第一作者发表CCF B类会议ICASSP论文一篇:Bindctnet: A Simple Binary Dct Network for Image Classification. ICASSP 2018: 1278-1282目录一、背景1.1 应用场景实际价值理论价值1.2 会议背景1.3 贡献...原创 2019-08-05 16:29:36 · 1531 阅读 · 0 评论 -
无监督图嵌入Unsupervised graph embedding|基于对抗的图对齐adversarial graph alignment详解
目的:理解并解析graph embedding 与adversarial graph alignment的公式。相关论文详解:GCN (Graph Convolutional Network) 图卷积网络概览 图注意力网络(GAT) ICLR2018, Graph Attention Network论文详解 旷视CVPR2019图卷积多标签图像识别Multi-Label Image...原创 2019-06-27 17:10:44 · 4277 阅读 · 1 评论