论文简读
文章平均质量分 88
大烤翅
这个作者很懒,什么都没留下…
展开
-
node2vec:网络特征学习
node2vec是一个用于图表示学习的算法框架。给定任何图,它可以学习节点的连续特征表示,然后可以用于各种下游机器学习任务。从下图中我们可以观察到,节点u和节点s1属于相同的紧密联结社区,u和s6在这两个不同的社区中扮演相同的结构角色——中心节点。现实世界的网络通常表现出这种混合。因此,必须考虑一种灵活的算法,该算法可以学习遵守两个原则的节点表示:将来自同一网络社区的节点紧密嵌入在一起的表示的能力 共享相似角色的节点具有相似的embedding这将允许特征学习算法在广泛的领域和预测任务中推广。原创 2022-01-11 16:35:50 · 546 阅读 · 0 评论 -
【无标题】
摘要 虽然成功估计照片的地理位置可以实现许多有趣的应用,但这也是一项非常具有挑战性的任务。由于问题的复杂性,大多数现有方法仅限于特定区域、图像或全球地标。只有少数提案预测GPS坐标没有任何限制。在本文中,我们介绍了几种深度学习方法,它们采用后一种方法,并将地理定位视为一个分类问题,其中地球被细分为地理单元。我们建议利用多重分割的层次知识,并额外提取和考虑照片的场景内容,即室内、自然或城市环境等。因此,卷积神经网络的学习过程中包含了不同空间分辨率的上下文信息以及各种环境的更具体特征。在两个基准上的实验结.原创 2021-11-27 19:05:28 · 1867 阅读 · 0 评论 -
随机part交换:细粒度识别的增强模型泛化和可解释性
摘要学习用于细粒度识别的中级表征很容易被数量有限的区分度模式所控制,从而降低其鲁棒性和泛化能力。为此,我们提出了一种新的随机部分交换(SPS)方案来解决这个问题,对样本之间的部分特征进行元素交换,以在训练期间注入噪声。它具有类似于Dropout(什么是Dropout)的正则化效果,这促进了更多的神经元来表示概念。此外,它还显示出其他优点:1)抑制对某些部件模式的过度激活,以提高特征的代表性;2)丰富模式组合并模拟噪声情况,以增强分类器的泛化能力。我们通过四个网络主干和三个细粒度数据集的综合实验验证了..原创 2021-10-28 21:50:59 · 2111 阅读 · 0 评论 -
一种水下鱼类图像特征学习与目标识别框架
摘要 活鱼识别是快速获取大量数据的渔业调查应用中最关键的元素之一。与一般场景不同,水下图像识别面临的挑战是图像质量差、目标和环境不可控以及难以获取代表性样本。此外,大多数现有的特征提取技术由于涉及人的监督而阻碍了自动化。为此,我们提出了一个水下鱼类识别框架,该框架由完全无监督的特征学习技术和容错分类器组成。基于显著性和松弛标签初始化对象部分,以正确匹配对象部分。然后根据适应度、分离和判别标准学习非刚性零件模型。对于分类器,无监督聚类方法生成二元类层次结构,其中每个节点都是一个分类器。为了利用模糊图像中.原创 2021-10-21 21:20:48 · 3566 阅读 · 2 评论 -
强监督细粒度分类:Part-based R-CNNs
PDF链接细粒度分类的一种方法是基于定位-识别,又可以继续分为强监督和弱监督两种。这篇文章是ECCV 2014的一篇强监督细粒度图像检测。摘要 目前已有的姿势规范化表示的方法,由于对象检测的困难,通常在测试时使用边界框标注。 文章提出了一个细粒度分类模型,该模型通过利用基于自底向上区域建议计算的深层卷积特征来克服这些限制。该方法学习整个对象和部分检测器,在它们之间强制学习几何约束,并从姿势规范化表示中预测细粒度类别。在Caltech的UCSD bird数据集上的实验证实,我们的方法在端到..原创 2021-10-14 23:14:57 · 1937 阅读 · 0 评论