![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文解读
文章平均质量分 94
狂奔的菜鸡
知行合一,格物致知。
展开
-
精读:Deep Industrial Image Anomaly Detection: A Survey
在本文中,提供了一个文献回顾图像异常检测在工业制造业,关注监督方式,神经网络结构,数据集的类型和属性和评价指标。描述了来自工业制造的新设置,回顾了提出的新设置中当前的IAD算法,还深入研究了哪些网络架构设计可以显著提高异常检测性能,我们强调了图像异常检测的几个令人兴奋的未来研究方向。翻译 2023-02-24 11:34:21 · 1617 阅读 · 2 评论 -
翻译:Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation
目录摘要介绍方法描述:(1)树亲和生成(2)级联过滤生成伪标签(3)为未标记的像素分配伪标签文章地址:Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation摘要 稀疏注释语义分割(SASS)的目的是训练一个具有粗粒度(即点、涂鸦和块)监督的分割网络,每幅图像中只有一小部分像素被标记。 在本文中,我们提出了一种新的树能原创 2022-04-22 14:30:10 · 923 阅读 · 0 评论 -
THE MUTUAL-CHANNEL LOSS (MC-LOSS,附代码分析)
目录在这一节中,我们提出了互信道损失(MC-Loss)功能,有效地导航模型,聚焦于不同的区分区域,而不需要任何细粒度的限定框/部件注释。在训练步骤中结合提出的MC-Loss的网络如图2所示。图2所示:使用MC-Loss的典型细粒度分类网络的框架。MC-Loss函数考虑输出特征通道作为输入,并使用超参数支持与交叉熵(CE)损失函数集合在一起。对于给定的输入图像,首先通过将图像输入基网络提取特征图;例如,VGG16或ResNet18。令所提取的feature map记为FFF∈RN×W×HR^{N×W原创 2020-07-07 18:18:06 · 2426 阅读 · 9 评论 -
L*ReLU: Piece-wise Linear Activation Functions for Deep Fine-grained Visual Categorization
目录摘要1. 介绍2. 相关工作2.1 细粒度的视觉分类2.2 预定义的激活函数2.3 学习和参数激活函数2.4 李普希茨(Lipschitz )正规化3. L*ReLU: Lipschitz ReLU3.1 特征的存在和缺失3.2 一致和lipschitz连续函数L*ReLU: 分段线性激活函数的深度细粒度视觉分类摘要 在过去的几年里,深度神经网络为图像视觉分类的显著改进铺平了道路。然而,即使任务是高度不同的,在复杂性和难度上是不同的,现有的解原创 2020-07-01 11:47:50 · 483 阅读 · 0 评论 -
翻译:(MPN-Cov)Is Second-order Information Helpful for Large-scale Visual Recognition?
目录1. Abstract3. The Proposed MPN-COV3.1 Forward PropagationIs Second-order Information Helpful for Large-scale Visual Recognition?1. Abstract 卷积网络通过叠加卷积层和非线性层,有效地学习了从低层到高层的特征和判别表示。由于大规模识别的最终目标是划分成千上万个类的复杂边界,因此对特征分布的充分探索对于充分发挥卷原创 2020-06-03 10:37:54 · 1730 阅读 · 0 评论 -
DCNNs Trained by Cascaded Softmax and Generalized Large-Margin Losses
利用级联Softmax和广义大边缘损失训练的改进DCNNs进行细粒度图像分类Abstract:我们使用一般的深度卷积神经网络(DCNN)来开发一个细粒度的图像分类器。我们从以下两个方面来提高DCNN模型的细粒度图像分类精度。首先,对给定训练数据集中包含的细粒度图像类的h级层次标签结构进行更好的建模,我们引入h全连通(fc)层来代替给定DCNN模型的顶层fc层,并用级联的softmax损失训练它...原创 2020-03-16 12:19:21 · 444 阅读 · 0 评论 -
YoloV4:解读归纳、资源分享
目录Abstract1. Introduction2. Related work2.1 Object detection models2.2. Bag of freebies2.3 Bag of specials3. Methodology3.1. Selection of architecture3.2. Selection of BoF and BoS4. Experiments4.1. Ex...原创 2020-04-28 09:26:22 · 4888 阅读 · 0 评论