最新论文阅读(29)

RAN: Radical analysis networks for zero-shot learning of Chinese characters

- 2017年11月
-   
- 中科大

  用于汉字识别(其特点就是汉字太多但基础结构大约只有500个);提出基础结构分析网络(Radical Analysis Networks,RAN);网络结构是CNN编码器+RNN解码器;是一种zero-shot learning


Attentional Pooling for Action Recognition

- 2017年11月
-   
- 卡内基梅隆大学

  用于行为识别和人对象交互任务(human object interaction tasks);rink-pooling;双线性的低秩pooling方法(用于细粒度分类)


A Fully Convolutional Tri-branch Network (FCTN) for Domain Adaptation

- 2017年11月
- 领域自适应,语义分割;
- 洛杉机南加州大学

  用于城市场景分割的领域适应方法;提出fully convolutional tri-branch network (FCTN),是FCN,其中两个分支将伪标签分配给未标记的目标域中的图像,而第三分支在基于伪标签目标域中的图像的监督下训练。重新贴标签和重新训练过程交替。
  三分支网络逐步学习目标特定的判别式表示,在synthetic (GTA) and real (Cityscapes) images数据集上进行实验,实验结果表明分段器的跨域能力提高。


MicroExpNet: An Extremely Small and Fast Model For Expression Recognition From Frontal Face Images

- 2017年11月
- 轻量化的网络;用于面部表情识别
- 中东工业大学【土耳其】

  为正面人脸图像中的面部表情识别(FER)问题创建极小的快速卷积神经网络(CNN)。
  网络结构超简单(比lenet还简单)。
我们表明,对于FER,翻译不变性(通过最大池层来实现)会降低性能,特别是当网络较小时;使用知识蒸馏方法(Student-Teacher)可以用来获得极度压缩的CNN。
  实验在两个常用的FER数据集CK+和Oulu-CASIA上。
  有代码!


MegDet: A Large Mini-Batch Object Detector

- 2017年11月
- 加速训练的算法   
- 北大,face++

  用于物体检测任务,主要研究的是加速训练,提高 batch size 来实现目标检测。
  最近基于CNN的对象检测工作的改进主要来自新网络或框架或损失设计。但是,小批量训练的关键因素还没有得到很好的研究。
  在本文中,我们提出了一种大型小批量物体检测器(MegDet),可以实现比以前更大的小批量(例如从16到256)的训练,以便我们可以有效地利用多个GPU(高达128英寸我们的实验)显着缩短训练时间。
  从技术上讲,我们建议采用学习率策略和跨GPU批量标准化,这些技术一起使我们能够在更短的时间内(例如从33小时到4小时)成功培训大型小批量检测器,并获得更高的精度。


Face Attention Network: An Effective Face Detector for the Occluded Faces

- 2017年11月
- 用于遮挡人脸的人脸检测;Face Attention Network (FAN)
- 北航;face++

  实验在WiderFace和MAFA上。
  网络结构简单,使用resnet作为基础网络,并用skip得到feature金字塔,最后用接着cls-reg-attention subnet。


Feature Agglomeration Networks for Single Stage Face Detection

- 2017年12月
- 就是基于特征金字塔网络(FPN),结合提出的concat模块和分层loss
- 新加坡管理大学;浙大;DeepIR(深图智服)   

  实时地人脸检测。
  we construct our FAN architecture using a new Agglomerative Connection module and further propose a Hierarchical Loss to effectively train the FAN model.


The Enhanced Hybrid MobileNet

- 2017年12月  
- 增强混合mobilenet;无价值
- 台湾师范大学

  其实就是,mobilenet的分离卷积模块的channel数,变多或变少,然后做实验比较一下,实际数据占了大部分内容。


Symbol detection in online handwritten graphics using Faster R-CNN

- 2017年12月
- 手写图形中的符号检测(流程图、数学表达式等)
- 圣保罗大学【美】

  在线手写图形(例如图表和数学表达式)中的符号检测技术由专门为单一图形类型设计的方法组成。
  论文以faster-RCNN作为检测手写图形中符号的一般方法。评估该网络使用不同配置,并指出与数据的手写本质有关的问题。
  在公开可用的流程图和数学表达式(CROHME-2016)数据集上评估方法。结果显示,flowchart和CROHME-2016数据集都可以有效地使用faster-RCNN。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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