文献阅读
文章平均质量分 70
z0n1l2
这个作者很懒,什么都没留下…
展开
-
Deep Convolutional Network Cascade for Facial Point Detection
CVPR2013的一篇文献,利用CNN做人脸特征点定位. 为了进一步加深对mxnet的理解,准备做轮子. 上图是完整的架构图,包括Level 1, level 2, level 3 三级网络组成, 逐渐提高定位精度.Level 1这一级由三个子网络组成,其中 * F1: 输入整个人脸区域,输出lefteye,righteye,nose,leftmouth,rightmouth共5个...原创 2018-05-22 12:05:39 · 567 阅读 · 0 评论 -
深度卷积对抗网络DCGAN
深度学习给机器学习带来了一次革命,学术研究和实际应用一片欣欣向荣,那么未来继续引领机器学习发展的技术将什么? 无监督学习和强化学习,这个答案得到绝大多数的认同,尤其是体会到深度学习算法对样本量的巨大需求的人们. 无监督学习中最具有发展前景的两类方法是VAE和GAN. VAE(Variational Autoencode)来自于标准的Autoencode方法. Autoencode方法逻辑上包含两...原创 2018-06-14 15:36:04 · 613 阅读 · 0 评论 -
让机器用人的方式识别图像
重点卷积层之后接一个模板生成层,利用模板匹配的原理学习这一层,自动生成模板训练中把模板映射到特征图的patch,保证模板的可解释性论文地址This looks like that: deep learning for interpretable image recognition背景深度学习发展至今在各个领域表现出极大的优势,但是很多时候人们很难解释其能力.本文从另一...原创 2018-06-29 13:04:42 · 1570 阅读 · 3 评论 -
IBN-Net
参考Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net简介Instance Normalization在样式迁移领域取得比Batch Normailzation更好的效果,但是在识别分类领域中没有带来提升。本文研究了IN和BN的区别,并成功把二者应用到同一个框架中,提高识别分类的准确度,...原创 2018-08-15 01:23:44 · 3207 阅读 · 1 评论 -
实时语义分割ICNET
ICNet for Real-Time Semantic Segmentation on High-Resolution Images作者开源代码特点上图可以很好的说明ICNET的特点,它是第一个出现在上图右上角的方法,同时兼顾分割效果和处理速度。准确率超过60%,对于1024x2048的高分辨率输入,速度达到30FPS,虽然硬件条件也不低。框架论文分析了语义分割各个模块的对速度影响,...翻译 2018-10-21 00:48:20 · 2680 阅读 · 0 评论 -
一个图看懂语义分割框架
来自ICNET的一个图,对理解语义分割框架很有帮助转载 2018-10-21 01:02:28 · 1402 阅读 · 0 评论 -
卷积层的dropout - dropblock
DropBlock: A regularization method for convolutional networksdropout的不足dropout是深度学习中避免过拟合的手段之一,经典网路结构中,dropout都被放到全连接层之后,鲜有放到卷积层之后。这是因为实验证明卷积层后的dropout层对网络泛化能力的改进微乎其微,本文分析了其中的原因:卷积层输出特征图各个元素之间存在很强的相...原创 2018-11-02 22:41:13 · 8157 阅读 · 0 评论 -
训练一次得到多个模型做集成的方法
参考论文SNAPSHOT ENSEMBLES: TRAIN 1, GET M FOR FREE解决的问题多个分类器集成可以获得超过单个分类器的效果,但集成分类器就要求有多个分类器,在训练速度和测试速度方面不占优势。本文提出的方法可以提高集成学习的训练速度,通过一次训练,获得多个分类器,解决了集成学习训练速度慢的问题。解决方法深度学习训练过程中,只有经历足够长的epoch后,test l...原创 2018-11-04 20:42:57 · 4476 阅读 · 0 评论 -
shuffleNetV2
ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture DesignWhyResNet,DenseNet等网络已经把分类问题的精度推到一个很高的水平,而很多轻量级网络MobleNet, XceptionNet和ShuffleNet则在不牺牲太多精度的前提下,降低网络计算量,令深度学习网络可以运行在一些资源受限的平台上...原创 2018-11-11 20:48:24 · 1369 阅读 · 0 评论