Kaiming He大神论文合集

最新推荐文章于 2024-07-30 17:46:10 发布
置顶 最新推荐文章于 2024-07-30 17:46:10 发布
阅读量3.5k 收藏 14
点赞数 2
分类专栏： 深度学习论文系列博客 intruduction
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/weixin_37993251/article/details/89164428
版权

Kaiming He

2011-2016 Microsoft Research Asia (MSRA)

2016- Research Scientist, Facebook AI Research (FAIR)

Best Paper Award in CVPR 2009(Haze Removal), CVPR 2016(ResNet), ICCV 2017(Mask R-CNN) (Marr Prize)

Best Student Paper Award in ICCV 2017

Best Paper Honorable Mention in ECCV 2018.

PAMI Young Researcher Award 2018

合著作者：

FAIR: Ross Girshick, Shaoqing Ren, Jifeng Dai, Saining Xie, Yangqing Jia

CUHK: Xiaoou Tang,

Face++: Jian Sun, Xiangyu Zhang

 引用次数年份
Deep Residual Learning for Image Recognition (CVPR), 2016203652016
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks (NIPS), 201587032015
Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification (ICCV), 201544772015
Guided Image Filtering (ECCV), 201035882010
Single Image Haze Removal using Dark Channel Prior (CVPR), 200931292009
Learning a Deep Convolutional Network for Image Super-Resolution (ECCV), 201425862014
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition (ECCV) 201425402014
Mask R-CNN (ICCV) 201718732017
Identity Mappings in Deep Residual Networks (ECCV), 201618062016
R-FCN: Object Detection via Region-based Fully Convolutional Networks (NIPS), 201611542016
Feature Pyramid Networks for Object Detection (CVPR), 20179872017
Aggregated Residual Transformations for Deep Neural Networks (CVPR), 20178352017
Focal Loss for Dense Object Detection (ICCV) 20177112017
Instance-aware Semantic Segmentation via Multi-task Network Cascades (CVPR), 20164502016
Exploring Randomly Wired Neural Networks for Image Recognition 2019
TensorMask: A Foundation for Dense Object Segmentation 2019

Group Normalization (ECCV), 2018

1092018

 

gdtop818
关注
专栏目录
深度学习之参数初始化（二）——Kaiming初始化
CodeTutor
06-13 3万+
。
Faster R-CNN论文翻译
mengduanhonglou的专栏
11-07 3327
Faster R-CNN是互怼完了的好基友一起合作出来的巅峰之作，本文翻译的比例比较小，主要因为本paper是前述paper的一个简单改进，方法清晰，想法自然。什么想法？就是把那个一直明明应该换掉却一直被几位大神挤牙膏般地拖着不换的选择性搜索算法，即区域推荐算法。在Fast R-CNN的基础上将区域推荐换成了神经网络，而且这个神经网络和Fast R-CNN的卷积网络一起复用，大大缩短了计算时间。同时mAP又上了一个台阶，我早就说过了，他们一定是在挤牙膏。
KaimingInit论文的译读笔记
墨门
12-25 1861
Keywords: Kaiming KaimingInit 摘要 Rectified activation units (rectifiers)（即：整流激活单元，一般就是ReLU函数，因为在本文中Kaiming还提出了PReLU，所以他这里用的是“rectified activation unit”这个术语）在SOTA的神经网络中至关重要。在本文中，作者从两方面探究了针对图像分类的整流器神经网络。
论文阅读之：Is Faster R-CNN Doing Well for Pedestrian Detection?
a1424262219的博客
08-07 185
Is Faster R-CNN Doing Well for Pedestrian Detection? ECCV 2016 Liliang Zhang & Kaiming He 　　原文链接：http://arxiv.org/pdf/1607.07032v2.pdf 　　Code ：https://github.com/zhangliliang...
TensorMask: A Foundation for Dense Object Segmentation
761527200_leili的博客
10-18 372
一.摘要 1.基于滑动窗口的目标检测生成稠密，规则网格的bounding-box是很火热的 2.相比之下，现代的实例分割方法被后述的方法所主导，它首先检测对象边界框，然后裁剪和分割这些区域，如Mask R-CNN所推广的那样 3.object detection中有dense的方法（如yolo，ssd，retinanet），也有R-CNN这类two-stage的方法；然而在instance s...
神经网络训练（二）:基于残差连接的图片分类网络(进阶篇①)
最新发布
千歌叹尽执夏的博客
07-30 897
在这个项目中，我们的网络需要在10分钟内完成训练。为了获得更好的效果，我们使用了ResNet18[1]网络，ResNet专门设计用于解决深度学习中的梯度消失和梯度爆炸问题。ResNet最初由微软亚洲研究院的Kaiming He等人在2015年提出，并在ImageNet图像识别比赛中取得了非常好的成绩。原始的ResNet网络是用于训练ImageNet[2]数据集，因此我们必须改进原始的网络来适应本次项目的数据集，下面我将详细介绍ResNet18以及我为它来适应我们的数据集所做的全部工作。
如何正确地使用arXiv平台
qq_29462849的博客
12-23 4977
arXiv是什么？ arXiv是由康奈尔大学运营维护的一个非盈利的数据库，由于免费，学术研究人员可以在其他顶会或者期刊没有录用之前，将自己最新的研究成果发布到该平台上，一方面是为了扩大宣传提升自己的影响力；另外一方面是为了保护自己的科研成果，因为无论会议和期刊从投出到最终可以检索，都需要长时间的等待，很难保证期间自己成果不被别人剽窃，arXiv可以证明论文的原创性。 arXiv的论文检索 arXi...
深度学习网络训练技巧篇：神经网络初始化tricks---何凯明大神2018年新作（随机初始化网络）
Tiger数学之家的博客
09-13 4507
本文主要介绍通过不同的方法初始化神经网络中的图层权重。并且通过各种简短的实验和思想练习，我们将逐步发现为什么在训练深度神经网络时足够的重量初始化非常重要。在此过程中，我们将介绍研究人员多年来提出的各种方法，并最终深入研究最适合您且最有可能使用的当代网络架构的方法。 接下来的例子来自我自己重新实现的一套笔记，Jeremy Howard在最新版本的fast.ai的深度学习第二部分课程中介绍了这一课程，...
【更新于12.29】深度学习论文汇总
迷川浩浩的博客
04-07 1万+
本博客用于记录自己平时收集的一些不错的深度学习论文，近9成的文章都是引用量3位数以上的论文，剩下少部分来自个人喜好，本博客将伴随着我的研究生涯长期更新，如有错误或者推荐文章烦请私信。深度学习书籍和入门资源 LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444. [PDF]（深度学习最权威的综述）
计算机视觉大佬--何凯明
求知小鸟
10-03 1613
计算机视觉大佬–何凯明 http://kaiminghe.com/index.html
kaiming he 暗通道去雾和导向滤波
Maryhuan的博客
03-20 8309
何凯明博士目前已经加入Facebook AI Reserach ，他的blog地址：http://kaiminghe.com/ 暗通道论文下载地址：http://kaiminghe.com/publications/cvpr09.pdf 导向滤波论文下载地址：http://kaiminghe.com/publications/eccv10guidedfilter.pdf 目前导向滤波已经加入
[深度大牛]·计算机视觉王者何凯明
热门推荐
简明AI工作室
03-03 4万+
计算机视觉王者何凯明 2017年10月 22 日到10月29日，两年一度的计算机视觉国际顶级会议 International Conference on Computer Vision（ICCV 2017）在意大利威尼斯开幕。其中最佳论文和最佳学生论文奖，又被何凯明大神再度包揽！ 这位为国争光的何凯明是谁？为何被通称为“大神”？ 何凯明本人 沉稳的素质让他成为“别人家的孩子” 何凯明...
论文阅读：TensorMask: A Foundation for Dense Object Segmentation
Kivee的博客
03-30 6437
Tensor Mask 文章    何恺明还有RBG大神的新作（一作陈鑫磊这个名字也很熟悉啊）。之前在instance segmentation方面只看过mask R-CNN的论文，看到这篇文章是dense object segmentation，由于在做one-stage detector方面的工作，所以想看看这篇论文能不能对自己有什么启发。    文章的motivation在于：object ...
神经网络权重初始化代码 init.kaiming_uniform_和kaiming_normal_
qq_41917697的博客
04-23 2万+
神经网络权重初始化--容易忽视的细节为什么要初始化初始化方法 为什么要初始化 权重初始化的目的是防止在深度神经网络的正向（前向）传播过程中层激活函数的输出损失梯度出现爆炸或消失。如果发生任何一种情况，损失梯度太大或太小，就无法有效地向后传播，并且即便可以向后传播，网络也需要花更长时间来达到收敛。 初始化方法 建议可以看看这个：《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classificatio
完整复现何恺明ICCV获奖论文结果并开源 !（附论文&开源代码）
数据派THU
10-26 8723
整理自：AI科技评论、AI科技大本营、图森未来 本文长度为1434字，建议阅读3分钟 本文为你介绍何恺明ICCV 2017两篇获奖论文，并附上完整复现论文结果的开源代码！ ICCV 作为计算机视觉的顶级会议，2017年共收到2143篇论文投稿，比上一届ICCV2015的1698篇增加了26.2%。共621篇被选为大会论文，录用比例28.9%；poster、spotlight、oral
何恺明大神的「Focal Loss」，如何更好地理解？
Paper weekly
12-28 2万+
作者丨苏剑林单位丨广州火焰信息科技有限公司研究方向丨NLP，神经网络个人主页丨kexue.fm前言今天在 QQ 群里的讨论中看到了 Focal Loss，经搜索它是 Kaiming 大神团队在他们的论文 Focal Loss for Dense Object Detection 提出来的损失函数，利用它改善了图像物体检测的效果。不过我很少做图像任务，不怎么关心图像方面的应用。本质上讲，Focal
[paper]Group Normalization
四月晴
09-30 320
Group Normalization Group Normalization 在18年由Kaiming He和 Yuxin Wu提出，其目的是为了解决BN存在的缺陷，在某些情况下用GN替代BN。 BN存在的问题 BN全名Batch Normalization，在15年提出后，广泛应用于深度学习领域，其作用主要在于提升训练速度和收敛速度。BN以batch为维度进行归一化。 看了BN之后的理解详见 ...
【论文笔记】residual neural network-kaiming he
Efight的博客
03-18 895
http://arxiv.org/abs/1512.03385 The stack of layer will cause degradation(same train, more layer, less accuracy, which is not caused by overfit or derivation vanishing).  H(x) is expected
pytorch kaiming
06-12
Kaiming Initialization is a weight initialization method for neural networks, named after Kaiming He, who proposed it in his 2015 paper "Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification". It is a modification of the Xavier Initialization method that is better suited for deep neural networks. In PyTorch, Kaiming Initialization can be applied to a layer's weights using the `kaiming_uniform_` or `kaiming_normal_` functions, depending on whether you want to use a uniform or normal distribution for the initialization. For example, to initialize the weights of a linear layer with Kaiming Initialization using a normal distribution, you can do: ``` import torch.nn as nn linear_layer = nn.Linear(in_features=10, out_features=20) nn.init.kaiming_normal_(linear_layer.weight) ``` This will initialize the weights of the `linear_layer` using Kaiming Initialization with a normal distribution.
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