论文逐年发布
论文类
[.]
不列颠哥伦比亚大学
一号
TL;DR:实验结果显示,强对象识别可分片隐蔽图像实现,计算时间小于2秒
抽象性 :开发对象识别系统使用新类局部图像特征特征变换图像缩放、翻译和旋转,部分变换光照变化和3D投影特征与弱时皮层神经元相似性,灵长类视觉对象识别使用特征通过分级滤波法高效检测,该法识别尺度空间稳定点图像密钥创建后允许局部几何变换,在多方向平面和多尺度中表示模糊图像渐变密钥输入近邻索引法识别候选对象匹配最终验证每种匹配方法为未知模型参数寻找低剩余最小方实验结果显示,强对象识别可分片隐蔽图像实现,计算时间小于2秒
16989引用
[.]
微软
一号
TL;DR:快速R-CNN建议快速区域卷积网络检测对象法,该方法使用数项创新提高培训测试速度,同时提高检测精度并实现PACAL VOC2012更高 mAP
抽象性 :本文建议快速区域卷积网络法(快速R-CNN)检测对象快速R-CNN利用深卷动网络高效分类对象建议快速R-CNN使用数项创新提高培训测试速度,同时提高检测精度快速R-CNN培训深度VGG16网络9x比R-CNN快,测试时快213x,并实现PACAL VOC2012更高 mAP与SPPnet相比,快速R-CNN列车VGG163x快速测试10x快速测试并更精准快速R-CNN使用Python和C++
14 824引用
[.]
TL;DR:工作为对象分割提供概念简单、灵活和通用框架,扩展快速R-CNN
抽象性 :概念简单灵活通用框架划分对象高效检测图像对象同时生成高质量切分屏蔽方法称为mask R-CNN扩展快速R-CNN屏蔽R-CNN简单训练并只向快速R-CNN增加小顶部,5fs运行此外,Macs R-CNN很容易归纳到其他任务上,例如允许我们在同一框架估计人形三轨CCO集合挑战显示顶级结果,包括实例分割、绑定框对象检测和人键点检测maskR-CNN表现优于所有现有单模项任务,包括COCO2016挑战优胜者betway亚洲我们希望简单有效方法能成为坚实基线,帮助方便未来实例识别研究代码提供
14299引用
[.]
TL;DR:本文建议解决高密度探测器训练中遇到的极端前地级偏差问题,重构标准跨倍损耗,即降值分配到高分类示例的损失,并开发新创CounceLoss,集中培训几组稀疏硬示例,防止大量易反射器在训练中压倒检测器
抽象性 :迄今最高精度对象检测器基于R-CNN推广的双级方法,即对稀疏候选对象位置应用分类器相形之下,单级检测器对可能的物体位置定期密集采样有更快简单的潜力,但跟踪二级检测器的精度迄今本文调查为何如此必威体育BW深密检测器训练中遇到的 极端前空级偏差 是中心原因我们建议通过重构标准交叉蚁损法解决分类偏差问题,使分类性强实例损失降值新奇焦点损失集中训练少数难例 避免大量易反作用 压倒训练检测器评估损失效果, 我们设计训练简单密度检测器 我们调用RetinaNet测试结果显示,RetinaNet训练丢失焦点时,能匹配前一级检测器速度,同时超前二级检测器精度,同时超出所有现有最新二级检测器精度
12 161引用
[.]
TL;DR:论文建议参数校正线性单元改善模型配配近零额外计算成本和微小超适风险,在图像网2012分类数据集上实现4.94%前5测试误差
抽象性 :校正激活单元(恢复器)对最先进神经网络至关重要研究整洁神经网络 从两个方面对图像分类第一,我们建议参数校正线性单元(PRELU)归纳传统校正单元PRELU提高模型装配近0额外计算成本和小小超适风险第二,产生强健初始化方法 特别考虑整齐分解非线性这种方法使我们能够直接从零开始训练极深校正模型并调查深度或广度网络架构基于可学习激活和高级初始化,我们在图像网2012分类数据集上实现4.94%前5测试错误相对比ILSVRC2014优胜者提高26%(GoogleNet,6.66%[33])。据我们所知,结果比报告人性性能先高5.1%.[26]
11732引用