论文逐年发布
论文类
[.]
TL;DR:感知像本文提到的深入卷积神经网络架构,实现图像网2014大型视觉识别挑战新状态分类检测
抽象性 :深入卷积神经网络架构代码感知实现图像网2014大型视觉识别挑战新状态分类检测本架构的主要特征是提高网络内计算资源使用率通过精心设计,我们提高网络深度和广度,同时保持计算预算不变优化质量,建筑决策基于Hebbian原理和多尺度处理直觉LSVRC14提交文件使用的一个特殊化名叫GoogleNet,这是一个22层深网络,质量从分类检测角度评估
40257引用
[.]
TL;DR:方法命名SSD分解框输出空间成组默认框,跨方位比和尺度对特征地图定位,使SSD易于训练并直通整合到需要检测元件的系统中
抽象性 :使用单深度神经网络检测图像对象取名ssd分解框输出空间成组默认框,跨方位比和尺度对特征地图定位预测时网络生成分数显示每个默认框中的对象类别并生成对框的调整以更好地匹配对象形状网络综合多特征地图预测和不同分辨率自然处理各种大小对象SSD简单比较需要对象建议的方法,因为它完全消除建议生成和后续像素或特征重采级并封装单网络内所有计算这使得SSD易于训练并直截了当地整合到需要检测元件的系统PASCALVOC、COCO和ILSVRC数据集实验结果确认SSD对方法有竞争精度,方法使用额外对象建议步数并快得多,同时为培训和推理提供统一框架ssd实现76.9%mAP优于艺术快速R-CNN模型的相似状态与其他单级方法相比,SSD精度高得多,即使输入图像小小代码见https://github.com/weiliu89/coffe/tree/ssd
19543引用
[.]
TL;DR:本文提到的SSD分解框输出空间成组默认框,跨方位比和尺度对特征地图定位,并综合多特征地图预测和不同分辨率对各种大小自然处理对象的自然处理
抽象性 :使用单深度神经网络检测图像对象取名ssd分解框输出空间成组默认框,跨方位比和尺度对特征地图定位预测时网络生成分数显示每个默认框中的对象类别并生成对框的调整以更好地匹配对象形状网络综合多特征地图预测和不同分辨率自然处理各种大小对象ssd模型简单比方法需要对象建议,因为它完全消除建议生成和后续像素或特征重采级并封装单网络所有计算这使得SSD易于训练并直截了当地整合到需要检测元件的系统PASCALVOC、MSCOCO和ILSVRC数据集实验结果确认SSD相似精度方法使用额外对象建议步数并快得多,同时为培训和推理提供统一框架与其他单级方法相比,SSD精度高得多,即使输入图像小一些ssd实现75.1%mAP优于艺术快速R-CNN模型的相似状态代码可见于此 https URL
12 678引用
过程文章
·
[.]
TL;DR:发现单个高层次单元和高层次单元随机线性组合没有区别,根据各种单元分析方法,建议由空间而非单个单元组成神经网络高层次语义信息
抽象性 :深神经网络高度表达模型 最近实现状态 语音和视觉识别任务表达性是成功之因,但也使他们学习非解释性解决方案,这些解决方案可能反直觉性能本文报告二类属性第一,我们发现单个高层次单元和高层次单元随机线性组合没有区别,根据单元分析的各种方法表示空间而非单单元包含神经网络高层语义信息第二,我们发现深神经网络学习输入输出映射,这些映射相当不连续并大扩展令网络误分类 通过应用某种不可感知的扰动 发现通过最大化网络预测误差此外,这些扰动的具体性质不是随机学习手工艺物:同样的扰动可导致不同的网络,即接受过数据集不同子集培训的网络误分类相同输入
9561引用
[.]
谷歌
一号
TL;DR:论文中建议基于深度复用架构并发计算机视觉和机器翻译最新进展的基因模型生成自然句描述图像,可自动描述图像内容
抽象性 :自动描述图像内容是一个基本问题 人工智能连接计算机视觉和自然语言处理论文中,我们展示出基于深度复用架构的基因模型,该架构综合计算机视觉和机器翻译的最新进展,并可用于生成自然句描述图像模型培训使目标描述句的可能性最大化数数据集实验显示模型精度和语言流畅性,仅从图像描述中学习模型常相当精确,从质和量两方面验证举例说,目前Pascal数据集最新BLEU-1分数(越高越高)为25,而我们方法产生59,比人性性能约69显示BLEU-1评分提高最后,新发布COCO数据集实现27.7BLEU-4
5 095引用
引用
[.]
微软
一号
TL;DR:作者在文章中建议剩余学习框架,以方便网络培训深度远比前文高得多,前文ILSVRC2015分类任务排名第一
抽象性 :深度神经网络更难训练提供剩余学习框架以方便网络培训深度远比前用深清晰重构层为学习剩余函数并参考层输入,而不是学习非参考函数我们提供综合实证证据表明,这些剩余网络更容易优化,并可从深度大幅提高中获取精度图像网数据集上,我们评价深度达152层-8x比VGG网[40]但仍复杂度低一组剩余网实现3.57%图像网测试集误差本结果取ILSVRC2015分类任务第一位并分析CIFAR-10100和1000层深度表示对许多视觉识别任务至关重要单因极深表达方式,我们从COO物体检测数据集获取28%相对改善深残留网是我们提交ILSVRC和COCO2015比赛的基础1, 在那里我们也赢得图像网检测任务第一位,图像网定位,COCO检测和COCO分割
123 388引用
过程文章
·
[.]
牛津大学
一号
TL;DR:这项工作调查卷积网络深度对大规模图像识别设置精度的影响,使用极小卷积滤波结构显示,前科配置可通过推深至16-19权值层实现重大改善
抽象性 :研究卷积网络深度对大规模图像识别设置精度的影响我们的主要贡献是用极小3x3卷积滤波对深度提高网络进行彻底评价,显示通过将深度推向16-19权值层可大大改善前科配置发现基础图像网挑战2014提交并显示我们表示与其他数据集相容性良好, 并实现最新结果betway亚洲并公诸于众的ConvNet两种最优表现模型 以方便深入研究 计算机视觉应用
55235引用
过程文章
·
[.]
牛津大学
一号
TL;DR:论文作者调查卷积网络深度对大规模图像识别设置精度的影响并显示通过推深至16-19层可显著改善前科配置
抽象性 :研究卷积网络深度对大规模图像识别设置精度的影响我们的主要贡献是用极小3x3卷积滤波对深度提高网络进行彻底评价,显示通过将深度推向16-19权值层可大大改善前科配置发现基础图像网挑战2014提交并显示我们表示与其他数据集相容性良好, 并实现最新结果betway亚洲并公诸于众的ConvNet两种最优表现模型 以方便深入研究 计算机视觉应用
49914引用
贴出内容
·
[.]
微软
一号
TL;DR:这项工作提供了一个剩余学习框架,以方便深度远比以前使用的网络培训,并提供综合实证证明显示这些剩余网络更容易优化,并可从深度大幅提高中获取精度
抽象性 :深度神经网络更难训练提供剩余学习框架以方便网络培训深度远比前用深清晰重构层为学习剩余函数并参考层输入,而不是学习非参考函数我们提供综合实证证据表明,这些剩余网络更容易优化,并可从深度大幅提高中获取精度图像网数据集上我们评价残留网深度比VGG网深达152层-8x,但仍复杂度低一组剩余网实现3.57%图像网测试集误差本结果取ILSVRC2015分类任务第一位并分析CIFAR-10100和1000层深度表示对许多视觉识别任务至关重要单因极深表达方式,我们从COO物体检测数据集获取28%相对改善深残留网是我们提交ILSVRC和COCO2015竞赛的基础,我们也在ImageNet检测、图像网定位、COCO检测和COC分治任务中赢得第一位
44703引用