learning and transferring mid-level image representations using convolutional neural networks

最新推荐文章于 2019-11-08 20:27:00 发布
最新推荐文章于 2019-11-08 20:27:00 发布
阅读量2.3k 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 论文笔记 transfer learning CNN 文章标签： CNN transfer learning classification localization
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Alan317/article/details/41541769
该研究通过AlexNet在ImageNet训练集上预训练，然后进行参数迁移，保留前层参数，只训练新加入的适应层，以适应Pascal VOC2007等复杂数据集。使用滑动窗口策略选取正负样本，进行目标任务的微调。在测试阶段，生成heatmap实现分类与定位功能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

cvpr14--Learning and transferring mid-level image representations using convolutional neural networks

Authors：Maxime Oquab1,Ivan Laptev,Leon Bottou, Josef Sivic.

论文理解 

1.贡献

文章是从transfer learning的角度来看看待特征学习，并不是像之前的方法比如R-CNN那样把最后的softmax输出节点个数改成相应数据集class的个数，然后调低学习率再做fine-funing（这种方法一般更恰当的叫法可能叫fine-tuning），这篇文章采用的是把softmax摘掉，重新加入一个fully connection layer--FCa和相应的softmax--FCb，在训练的时候保持前面的参数不变，只是学习FCa和FCb的参数；另比较有意思的是训练集的再加工，用到了尺寸信息，以及后面把heatmap的信息融合起来便于loacalization。文章claim出的分类效果比pascal 2007和pasc
最低0.47元/天 解锁文章

200万优质内容无限畅学
论文阅读：Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks
dugudaibo的博客
12-05 2975
本文主要内容为论文《Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks》的学习笔记，包括部分内容的翻译与自己对本篇论文的理解。
Learning and Transferring Mid-Level Image Representations(泛读)
小胜爱捣鼓
10-04 2130
一.文献名字和作者     Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks, CVPR2014     二.阅读时间     2014年10月4日 三.文献的贡献点     文献主要提出了一种称为迁移学习的方法，也就
Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks
woyaopojie1990的专栏
08-21 4079
学习笔记之《Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks》
素描令牌:一个中层的学习轮廓和目标检测的表征Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detec
fanjing的专栏
04-03 5251
  素描令牌:一个中层的学习轮廓和目标检测的表征 Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detection Lim, J.J.Massachusetts Inst. of Technol., Cambridge, MA, USA Zitnick,
CNN迁移学习
EverlightGe
03-13 5434
Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks这是2014年发在CVPR上的一篇论文，主要解决一个问题：深度学习需要大量的数据，对于小的数据集，如何进行深度学习训练？作者提出了可以在大型数据集(如ImageNet)上进行预训练，然后将训练好的网络权重迁移到小的数
Deep learning_CNN_Review：A Survey of the Recent Architectures of Deep Convolutional Neural Networks—...
Alliswell_WP
11-08 2627
CNN综述文章的翻译 [2019 CVPR] A Survey of the Recent Architectures of Deep Convolutional Neural Networks 翻译 综述深度卷积神经网络架构：从基本组件到结构创新 目录 摘要 1、引言 2、CNN基本组件 2.1 卷积层 2.2 池化层 2...
Weakly supervised object recognition with convolutional neural networks 论文解读
zhoujunr1的博客
08-11 628
1. Model Overview1.1 什么是weakly supervised learninghttps://stackoverflow.com/questions/18944805/what-is-weakly-supervised-learning-bootstrappingIn short: In weakly supervised learning, you use a limited
近6年被引用次数最多的深度学习论文top100（附下载地址）
战斗蜗牛的专栏
07-29 3894
下载地址：http://pan.baidu.com/s/1pL1XwXd 我相信世上存在值得阅读的经典的深度学习论文，不论它们的应用领域是什么。比起推荐大家长长一大串论文，我更倾向于推荐大家一个某些深度学习领域的必读论文精选合集。 精选合集标准 2016 : +30 引用 「+50」 2015 : +100 引用 「 +200」 201
Learning Mid-level Filters for Person Re-identification（CVPR2014）
鄠邑原野的博客
07-29 1120
Abstract 在本文中，我们提出了一种新方法，用于从自动发现的补丁簇中学习中级滤波器以进行行人再识别。我们研究行人再识别好的滤波器是很好的动力。我们的中级滤波器是有区别地学习识别特定的视觉模式和区分行人，并具有良好的交叉视角不变性。首先，定性地测量局部斑块并用它们的辨别力进行分类。收集判别性和代表性的斑块用于过滤学习。其次，通过修剪层次聚类树获得具有相干外观的斑块簇，并且提出了一种简单但有效...
750W高PF值充电机电源方案：基于UCC28070、ST6599和PIC16F193X的设计与实现
08-08
750W高功率因数（PF）充电机电源设计方案，采用TI公司的UCC28070作为交错式PFC控制器，ST公司ST6599用于LLC谐振变换，以及Microchip的PIC16F193X作为主控芯片。文中不仅提供了详细的原理图、设计文件和烧录程序，还分享了实际调试经验和技术细节。具体来说，PFC环节通过优化乘法器补偿和电流环参数实现了极高的PF值；LLC部分则着重于死区时间和谐振腔参数的精确配置；单片机部分负责状态管理和故障保护等功能。最终方案实测效率达到94%，相比传统方案节能显著。 适合人群：电力电子工程师、硬件开发者、嵌入式系统设计师，特别是对高效电源设计感兴趣的读者。 使用场景及目标：适用于需要设计高性能、高效率充电机的企业和个人开发者。目标是在满足高功率因数的同时，提高转换效率并降低能耗。 其他说明：附带完整的原理图、设计文件和烧录程序，有助于读者快速上手并进行实际项目开发。同时引用了华南理工大学硕士学位论文的相关理论支持，使方案更具权威性和可靠性。
JAVA控制台命令详解.pdf
08-08
JAVA控制台命令详解
远程PLC通讯编程调试监控方案：基于安全验证型中转服务器的云边协同解决方案
08-08
内容概要：本文介绍了远程PLC通讯编程调试监控方案，旨在解决传统PLC设备调试和维护过程中遇到的距离限制和技术支持难题。该方案采用安全验证型中转服务器，支持自定义网络设备接入，实现上千路PLC设备的并发对接调试。通过云边协同技术，实现了远程编程、实时监控和故障诊断等功能，极大提升了工作效率和设备稳定性。文中详细阐述了方案的核心——安全验证型中转服务器的工作原理及其提供的服务器和客户端源代码，强调了每个通信数据包均经过严格加密和验证，确保数据传输的安全性。此外，文章还探讨了云边协同带来的优势以及代码编写过程中的技术挑战和成就感。 适合人群：从事工业自动化领域的工程师、技术人员，尤其是那些负责PLC设备调试和维护的专业人士。 使用场景及目标：适用于需要远程调试和监控PLC设备的场合，如偏远地区的工程项目、大型制造企业等。主要目标是提高PLC设备的调试效率，减少现场维护成本，增强设备的可靠性和安全性。 其他说明：该方案不仅解决了实际工程中的痛点，也为工程师们提供了更多技术探索的机会，特别是关于云边协同技术和安全验证机制的学习和实践。
L-noodle-react-big-screen-13768-1753357219888.zip
最新发布
08-08
cursor免费次数用完L-noodle_react-big-screen_13768_1753357219888.zip
鸿蒙中使用tree代码文件
08-08
测试数据
JAVA开发应掌握的LINUX常用命令.pdf
08-08
JAVA开发应掌握的LINUX常用命令
深度学习CNN算法的小型FPGA加速器实现及其应用 · TensorFlow
08-08
小型CNN FPGA加速器的实现方法，涵盖从软件到硬件的深度学习部署全过程。软件部分基于TensorFlow 2实现，通过Python导出权值；硬件部分则采用Verilog手写代码，在Artix-7 FPGA XC7A200T平台上完成。该加速器具有高度参数化配置，支持速度与面积的灵活折中，单张图片推理时间约为50μs。文中还展示了具体的工程结构图、硬件资源使用情况及实际运行效果。 适合人群：从事深度学习研究和技术开发的专业人士，尤其是对FPGA加速感兴趣的工程师。 使用场景及目标：适用于希望深入了解并实现深度学习模型硬件加速的研究人员和工程师，旨在提升模型推理速度和资源利用率。 其他说明：项目提供的所有软硬件代码有助于读者更好地理解和实践CNN FPGA加速器的构建过程。
BMS系统中电池充放电SOC与SOH控制模型及温度影响下的优化策略 · 温度补偿
08-08
内容概要：本文深入探讨了电池管理系统(BMS)中的充放电SOC（荷电状态）和SOH（健康状态）控制模型。主要内容包括CCCV（恒流恒压）充电控制方法、电压平衡策略以及温度热量对电池性能的影响。文中详细介绍了如何利用MATLAB和Python进行CCCV充电模拟、动态电压补偿算法的设计、电池冷却系统的仿真，并应用卡尔曼滤波进行SOC和SOH参数估计。此外，还讨论了故障预测和动态均衡算法的应用，强调了仿真过程中可能遇到的问题及解决办法。 适合人群：从事电池管理、电动汽车、储能系统等领域研究的技术人员和工程师。 使用场景及目标：适用于希望深入了解BMS系统内部机制的研究者和技术开发者，旨在帮助他们掌握先进的电池管理和优化技术，提高电池的安全性和使用寿命。 其他说明：文章不仅提供了理论分析，还附有具体的代码实例，便于读者理解和实践。同时提醒，在实际应用中需要注意温度变化带来的复杂影响，确保电池系统的稳定运行。
基于三菱PLC与基恩士侧头通讯模块的产品尺寸测量案例解析：人机程序应用详解 通讯模块 高级版
08-08
利用三菱PLC（可编程逻辑控制器）与基恩士侧头（测量设备）通过通讯模块实现产品尺寸自动测量的方法。文中从案例背景出发，逐步讲解了所需的硬件准备、软件编程步骤，特别是PLC人机程序和通讯程序的具体设计方法。同时提供了简化的PLC代码示例来展示数据读取流程，并强调了测试与优化的重要性，最终形成了一套稳定可靠的测量系统。 适合人群：从事自动化控制、工业机器人及相关领域的工程师和技术人员。 使用场景及目标：适用于需要提高产品质量检测效率的企业，旨在建立一套高效、准确的产品尺寸测量解决方案，确保生产过程中的质量控制。 其他说明：本案例不仅展示了具体的技术实现路径，还为相关从业者提供了宝贵的实践经验，有助于解决类似应用场景下的技术难题。
我觉得没什么好说的，有一行代码意义不明，但删了不能用
08-08
我觉得没什么好说的，有一行代码意义不明，但删了不能用
ImageNet论文
03-08
### 关于 ImageNet 数据集的相关学术论文 ImageNet 是计算机视觉领域最著名的数据集之一，广泛应用于各种研究工作。以下是几篇重要的与 ImageNet 相关的学术论文： #### 1. 原始 ImageNet 论文 一篇开创性的论文介绍了 ImageNet 的构建及其在大规模图像识别中的应用[^4]。 ```plaintext @inproceedings{deng2009imagenet, title={Imagenet: A large-scale hierarchical image database}, author={Deng, Jia and Dong, Wei and Socher, Richard and Li, Li-Jia and Li, Kai and Fei-Fei, Li}, booktitle={2009 IEEE conference on computer vision and pattern recognition}, pages={248--255}, year={2009}, organization={Ieee} } ``` 这篇论文描述了如何创建一个大型层次化的图像数据库，并讨论了其在物体识别方面的潜力。 #### 2. 使用 ImageNet 进行深度学习模型训练的研究 另一项重要研究表明，在 ImageNet 上预训练的卷积神经网络可以显著提高其他任务上的性能[^5]。 ```plaintext @article{oquab2014learning, title={Learning and transferring mid-level image representations using convolutional neural networks}, author={Oquab, Maxime and Bottou, L{\'e}on and Laptev, Ivan and Sivic, Josef}, journal={Proceedings of the IEEE conference on computer vision and pattern recognition}, pages={1717--1724}, year={2014} } ``` 此研究展示了通过迁移学习方法利用 ImageNet 预训练模型的有效性。 #### 3. 对 ImageNet 挑战赛获胜算法的分析 每年举办的 ILSVRC（ImageNet 大规模视觉识别挑战赛）吸引了众多顶尖团队参与。有文章总结了历届比赛的关键技术和趋势变化[^6]。 ```plaintext @misc{kornblith2019better, title={Do Better ImageNet Models Transfer Better?}, author={Simon Kornblith and Jonathon Shlens and Quoc V. Le}, year={2019}, eprint={1805.08974}, archivePrefix={arXiv}, primaryClass={cs.CV} } ``` 这些文献不仅涵盖了 ImageNet 自身的发展历程，还反映了它对整个计算机视觉社区的影响和发展方向。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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