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
原创 最新推荐文章于 2019-11-08 20:27:00 发布 · 2.3k 阅读 · 2 ·
CC 4.0 BY-SA版权
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。
文章标签：

#CNN #transfer learning #classification #localization

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 5435
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
08-11 629
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...
新闻推荐系统源码-基于springboot的新闻推荐系统设计与实现-新闻推荐网站代码-新闻推荐项目代码
08-12
新闻推荐-新闻推荐系统-新闻推荐系统源码-新闻推荐系统代码-springboot新闻推荐系统源码-基于springboot的新闻推荐系统设计与实现-新闻推荐管理系统-新闻推荐项目代码-新闻推荐网站代码
No.31 MATLABSimulink仿真：新能源并网逆变器及其功能，包括SVPWM矢量调制、PI电流环控制、dq控制与有功无功及直流母线电压控制
08-12
内容概要：本文介绍了如何利用MATLAB/Simulink进行新能源并网逆变器的仿真，重点解析了SVPWM矢量调制、坐标变换、PI电流环、dq控制、有功无功控制及直流母线电压控制等关键功能。文中首先概述了新能源并网逆变器的重要性和MATLAB/Simulink的作用，接着详细描述了模型构建方法，最后深入探讨了各个关键功能的具体实现和技术细节。通过这些技术的应用，能够有效提高逆变器的性能和电能质量。 适合人群：从事电力电子、新能源发电及控制系统设计的研究人员和工程师。 使用场景及目标：适用于需要理解和掌握新能源并网逆变器工作原理及其实现方法的专业人士，旨在帮助他们更好地设计和优化逆变器系统，提升系统的稳定性和效率。 其他说明：文章不仅提供了理论解释，还结合实际案例进行了详细的功能解析，有助于读者全面理解并应用于实际项目中。
基于JAVA的学生课外活动管理系统的设计与实现
08-12
基于JAVA的学生课外活动管理系统的设计与实现的论文
Kubernetes持久化存储PVC和PV使用教程.doc
08-12
Kubernetes持久化存储PVC和PV使用教程.doc
教师工作量管理-教师工作量管理系统源码-基于Web的教师工作量管理系统设计与实现-教师工作量管理网站代码
08-12
教师工作量管理-教师工作量管理系统-教师工作量管理系统源码-教师工作量管理系统代码-springboot教师工作量管理系统源码-基于springboot的教师工作量管理系统设计与实现-项目代码
IB Specification Vol 2-Release-2.0-Final-2025-07-31 - 2
08-12
内容概要：本文档为《400_IB Specification Vol 2-Release-2.0-Final-2025-07-31.pdf》，主要描述了InfiniBand架构2.0版本的物理层规范。文档详细规定了链路初始化、配置与训练流程，包括但不限于传输序列（TS1、TS2、TS3）、链路去偏斜、波特率、前向纠错（FEC）支持、链路速度协商及扩展速度选项等。此外，还介绍了链路状态机的不同状态（如禁用、轮询、配置等），以及各状态下应遵循的规则和命令。针对不同数据速率（从SDR到XDR）的链路格式化规则也有详细说明，确保数据包格式和控制符号在多条物理通道上的一致性和正确性。文档还涵盖了链路性能监控和错误检测机制。 适用人群：适用于从事网络硬件设计、开发及维护的技术人员，尤其是那些需要深入了解InfiniBand物理层细节的专业人士。 使用场景及目标：① 设计和实现支持多种数据速率和编码方式的InfiniBand设备；② 开发链路初始化和训练算法，确保链路两端设备能够正确配置并优化通信质量；③ 实现链路性能监控和错误检测，提高系统的可靠性和稳定性。 其他说明：本文档属于InfiniBand贸易协会所有，为专有信息，仅供内部参考和技术交流使用。文档内容详尽，对于理解和实施InfiniBand接口具有重要指导意义。读者应结合相关背景资料进行学习，以确保正确理解和应用规范中的各项技术要求。
「综合能源优化调度：注释清晰、修改简单，完全可定制的程序，算法简洁、修改便利，实用经验保证物超所值」 · 能源优化算法 v1.2
08-12
内容概要：本文介绍了一款用于综合能源优化调度的程序，强调其注释清晰、算法简单易改的特点。综合能源优化调度旨在合理安排各类能源的使用和转换，以达到高效利用、降低成本和环保的目标。文中展示了程序的关键代码片段及其详细的注释，如定义能源类型列表、初始化能源消耗字典、获取实际能源消耗数据、计算能源总成本等。此外，还介绍了如何轻松地将新类型的能源（如太阳能）集成到现有程序中，体现了程序的高度灵活性和实用性。 适合人群：从事能源管理、工业生产和智能建筑等领域工作的技术人员，尤其是那些希望快速掌握并定制化能源调度解决方案的人群。 使用场景及目标：适用于需要进行能源优化调度的各种场合，如工业生产、大型园区供能、智能家居系统等。主要目标是帮助用户提高能源利用率，减少运营成本，同时确保程序易于理解和修改。 其他说明：该程序不仅提供了清晰的代码注释，还采用了直观的算法思路，使得即使是初学者也能迅速上手并根据自身需求进行调整。
【机器人仿真】基于matlab跳跃机器人弹簧预紧模型仿真【含Matlab源码 13918期】.zip
08-12
Matlab领域上传的视频是由对应的完整代码运行得来的，完整代码皆可运行，亲测可用，适合小白； 1、从视频里可见完整代码的内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作
【软件开发工具】VS Code五大AI编程插件深度评测：提升开发者效率的智能代码助手
最新发布
08-13
内容概要：本文介绍了五款顶级AI编程插件，包括GitHub Copilot、Tabnine、Codeium、Amazon CodeWhisperer和IntelliCode，展示了它们如何将VS Code变成智能编程工作站。这些插件不仅能够自动补全代码，还能理解上下文生成完整函数，甚至重构现有代码，从而大幅提升开发效率。文章详细描述了每个插件的安装步骤、核心功能和实战案例，如GitHub Copilot的上下文感知代码生成、Tabnine的本地化运行、Codeium的免费全能特性、CodeWhisperer的AWS生态集成以及IntelliCode的团队协作优势。此外，还提供了AI编程的工作流解析、插件对比指南和高级使用技巧，帮助开发者更好地利用这些工具。 适合人群：具备一定编程基础的开发者，尤其是使用VS Code作为主要开发环境的程序员。 使用场景及目标：① 提升代码编写效率，减少重复劳动；② 利用AI助手生成高质量代码，提高开发质量；③ 通过插件的智能特性，优化代码结构和性能；④ 在团队协作中，借助AI助手提高代码的一致性和安全性。 其他说明：文章还讨论了安全与隐私考量，强调了代码泄露防护和企业级解决方案的重要性。同时，提供了详细的安装配置指南和高级使用技巧，帮助开发者更好地掌握这些AI工具的使用方法。
Matlab中全覆盖路径规划算法的实现与自定义转折点优化 · 自定义转折点
08-12
内容概要：本文介绍了全覆盖路径规划算法的基本概念、原理及其在Matlab中的具体实现方法。重点讨论了如何利用A*算法进行路径规划，并详细阐述了自定义转折点的设置方法及其对路径效率和平滑度的影响。文章还涵盖了工作区域建模、设定起始点和目标点、路径计算与优化的具体步骤。 适合人群：对路径规划算法感兴趣的科研人员、工程师和技术爱好者，尤其是那些希望深入了解Matlab环境下路径规划实现细节的人群。 使用场景及目标：适用于无人驾驶汽车、无人机、农业机械等领域，旨在帮助用户掌握如何在Matlab中实现高效的全覆盖路径规划，优化路径以提升工作效率和减少行走时间。 其他说明：文章不仅提供了理论知识，还给出了具体的实施步骤，有助于读者快速上手并在实际项目中应用所学内容。
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