论文笔记：Multi-Scale Dense Networks for Resource Efficient Image Classification

最新推荐文章于 2022-09-15 10:37:55 发布
最新推荐文章于 2022-09-15 10:37:55 发布
阅读量1.8k 收藏 4
点赞数 1
CC 4.0 BY-SA版权
分类专栏： paper 2018论文笔记——EMMA 文章标签： ICLR
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/baidu_17806763/article/details/79369063

Multi-Scale Dense Networks for Resource Efficient Image Classification

[ICLR2018 oral]
原文链接：传送门

目录

问题

  • 在近几年的视觉物体识别任务上，有的物体很容易就可识别出来，而有的被遮挡的物体或者由于拍摄角度诡异，而很难识别的物体，在test的时候回消耗同样的计算资源。这对于大型的数据集来说，会产生会多不必要的计算资源浪费。
  • 在一般的卷积神经网络中，倒数第二层的特征将直接输入到最后一层进行分类，其他层的特征将被忽视。
  • 不同的卷积神经网络的层包含不同级别的scale信息。我们应该充分利用低维和高维特征。

解决方法

  • 把每层的layer都连接到classification层

  • 创建一个multi-scale的网络框架，让每层都包含不同的scale信息。

本文所创建的网络叫做Multi-Scale DenseNet (MSDNet)。
网络模型框架，自行参考原文figure 2.

个人理解

  • 分类器的分类准确率与它使用第几层产生的feature来训练分类器有关。
  • multi-scale feature maps来解决这个问题。 水平方向的connectio
最低0.47元/天 解锁文章

200万优质内容无限畅学
【ECCV2020】接收论文列表part1
TomRen
07-18 7109
ECCV2020 接收论文完整列表 看论文学CV
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
Paper | Multi-scale Dense Networks for Resource Efficient Image Classification
LVXIAO2897的博客
09-23 460
目录 故事背景 方法 两种加速策略 网络设计 网络优化 失败设计 回头品味 实验 数据集和数据处理 结果 复现代码 数据准备...
【论文阅读笔记】MULTI-SCALE DENSE NETWORKS FOR RESOURCE EFFICIENT IMAGE CLASSIFICATION
寸先生的AI道路
12-07 2228
本文由香奈儿大学的几位教授撰写，获得ICLR2018最佳论文。文章基于CNN，提出一种图像分类方法：在现实中对图像分类难度不一，采用一个固定的框架对图片进行分类时有时不够灵活，比如使用复杂网络对简单图片分类比较浪费资源，而使用简单网络对复杂图片进行分类效果又不够好，为了解决网络灵活度和节省计算资源，文章提出了MSDNet。
【论文笔记】MSDNet MULTI-SCALE DENSE NETWORKS FOR RESOURCE EFFICIENT IMAGE CLASSIFICATION
灰太狼Polaris的专栏
03-20 4204
MSDNet 这篇文章是2017ICML上的一篇文章，觉得挺有意思，就阅读了文章，并整理成笔记。我尽量用简单的语言，尽可能的把我对文章的理解写出来，有什么不对的地方，请大家多多指正。 摘要 这篇主要是对计算资源限制的条件下，对于图像分类模型的优化和求解。毕竟，计算资源并不是免费的。为了能够达到在不同的设备上，不同的限制的资源条件下就行图像分类，论文设置了两个实验条件限制。 1、Anyt...
Multi-Scale Dense Networks for Hyperspectral Remote Sensing Image Classification
weixin_42245856的博客
03-12 555
论文题目：Multi-Scale Dense Networks for Hyperspectral Remote Sensing Image Classification 作者：Chunju Zhang , Guandong Li , and Shihong Du 期刊:IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 57, NO. 11, NOVEMBER 2019 一：文章概述 一个用于HSI分类的网络MSDN-实现多尺度特征信息融合和深
论文阅读——Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classification
qq_37151108的博客
07-09 7280
论文阅读之Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classification with Unannotated Histopathological Images from CVPR2020 Abstract 本文提出了一种基于无标注病理图像进行癌症亚型分类的方法，可在全切片图WSI上自动外甥女成癌症区域的检测。主要难点有：
（1）一片完整的病理组织切片全景图像的尺寸就高达4000040000，在WSI上
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 9277
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
ICRA2020论文整理（SLAM + Deep Learning）
Spacegene的博客
07-20 1万+
参考:https://github.com/PaoPaoRobot/ICRA2020-paper-list Table of Contents: 1. SLAM 2. Deep Learning in Robotics and Automation 3.Localization 4. Sensor Fusion 5. Calibration and Identification 6. Semantic Scene Understanding 7. Reinforcement Learn...
深度估计论文阅读_Multi-Scale Deep Network
July1998的博客
09-24 585
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 深度估计论文阅读_Multi-Scale Deep Network前言一、创新点二、具体分析1.粗细结合的网络架构2.尺度不变误差三、编程 前言 本篇博客主要对Depth Map Prediction from a Single Image using a Multi-Scale Deep Network进行理解和复现。这篇文章发表于NIPS 2014，作者David Eigen。 一、创新点 将神经网络结构分为两个部分：预测全局特征
人工智能-机器学习-深度学习：MSDNet(Multi-Scale Dense Networks,多尺度密集网络)
u013250861的博客
12-28 785
人工智能-机器学习-深度学习：MSDNet(Multi-Scale Dense Networks,多尺度密集网络)
【代码实现】Searching for Efficient Multi-Scale Architectures for Dense Image Prediction
会意的博客
10-26 2240
相关资料 代码地址：https://github.com/tensorflow/models/tree/master/research/deeplab 论文地址：https://arxiv.org/abs/1809.04184 个人笔记：https://blog.youkuaiyun.com/mooneve/article/details/83144385 参考资料 https://blog.youkuaiyun.com...
Dense Scale Network for Crowd Counting-paper reading
RiziRo的博客
07-01 1660
主要创新点： 提出一种新模块Dense dilated convolution block(DDCB)，串联不同dilation的空洞卷积+dense连接 DDCB之间加了残差连接 一种新的loss（这个loss在其他论文中也出现过，见Crowd Counting and Density Estimation by Trellis Encoder-Decoder Network）谁先提出来的就不...
MSRN：Multi-scale Residual Network for Image Super-Resolution 论文翻译
ytao_wang的博客
05-18 1万+
Multi-scale Residual Network for Image Super-Resolution 用于图像高分辨率的多尺度残差网络 原文：Multi-scale Residual Network for Image Super-Resolution, ECCV2018 github(pytorch): https://github.com/MIVRC/MSRN-PyTorch 摘要：近年来的研究表明，深度神经网络可以显著提高单幅图像的超分辨率。目前的研究倾向于使用更深层次的卷积神经网络来提高
论文阅读《Multi-Scale Dense Convolutional Networks for Efficient Prediction 》
bojackhosreman的博客
12-21 1479
paper：https://arxiv.org/abs/1703.09844 code：https://github.com/gaohuang/MSDNet参考： http://blog.youkuaiyun.com/u014380165/article/details/78006893
论文Multi-Scale Dynamic Feature Encoding Network for Image Demoiring
Nemoforest的博客
09-15 361
19-ICCV-去摩尔纹
多尺度动态图卷积神经网络----Multi-scale Dynamic Graph Convolutional Network for Hyperspectral Image Classificati
热门推荐
你这个代码我看不懂的博客
04-06 1万+
一、摘要 卷积神经网络（CNN）在表示高光谱图像和实现高光谱图像分类方面表现出令人印象深刻的能力。然而，传统的CNN模型只能对固定大小和权重的规则正方形图像区域进行卷积，因此不能普遍适用于具有不同对象分布和几何外观的不同局部区域。因此，它们的分类性能仍有待提高，尤其是在类边界方面。为了缓解这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里德数据进行卷积，并且适用于由图拓扑信息表示的不规则图像区域。与常用的GCN模型工作在固定图上不同，我们使图能够随着图卷积
MSDNet（Multi-Scale Dense Convolutional Networks）算法笔记
AI之路
09-16 1万+
论文：Multi-Scale Dense Convolutional Networks for Efficient Prediction 论文链接：https://arxiv.org/abs/1703.09844 代码地址：https://github.com/gaohuang/MSDNetDenseNet的一作的作品，先来聊聊文章的出发点。对于分类网络的测试而言，有些输入图像是网络容易分类的，
论文笔记——Multi-Scale Dense Convolutional Networks for Efficient Prediction
Reco_177的博客
08-24 1095
Multi-Scale Dense Convolutional Networks for Efficient Prediction -多尺度卷积网络   Gao Huang Cornell University ，Danlu Chen Fudan University，Tianhong Li Tsinghua University， Felix Wu Cornell University Pu...
Multi-scale Dense Networks for Deep High Dynamic Range Imaging
最新发布
12-28
### 多尺度密集网络在深度高动态范围成像中的应用 多尺度密集网络（Multi-Scale Dense Networks, MSDNets）通过引入不同尺度的感受野，在处理图像时能够捕捉到更多的细节信息。这种特性使得MSDNets非常适合用于深高动态范围（Deep High Dynamic Range Imaging, Deep HDR Imaging）。HDR技术旨在扩展传统低动态范围(LDR) 图像的亮度范围，从而更真实地反映现实世界的光照条件。 #### 应用背景 传统的单张LDR照片无法充分表示场景中存在的极端亮暗对比度变化。为了克服这一局限性并实现高质量的HDR重建，研究人员探索了多种方法和技术。近年来，基于卷积神经网络(CNNs)的方法逐渐成为主流解决方案之一[^1]。 #### 实现原理 MSDNet利用其独特的架构设计来增强特征提取能力： - **跨层连接**：每一层都与其后的所有层次相连，形成密集连接模式； - **复合增长率**：随着网络加深而逐步增加通道数，有助于保持梯度流动稳定性和参数效率； - **多分支结构**：允许模型在同一时间学习多个分辨率下的表征，进而提高对于复杂光影效果建模的能力； 这些特点共同作用下，使MSDNet能够在输入几张曝光不同的LDR图片作为训练样本的情况下有效地预测出对应的HDR图像[^2]。 ```python import torch.nn as nn class MultiScaleDenseBlock(nn.Module): def __init__(self, num_layers=8, growth_rate=32): super(MultiScaleDenseBlock, self).__init__() layers = [] for i in range(num_layers): layer = _make_layer(in_channels=i*growth_rate + input_channels, out_channels=growth_rate) layers.append(layer) self.block = nn.Sequential(*layers) def _make_layer(in_channels, out_channels): return nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=(3, 3), padding='same') ``` 此代码片段展示了如何构建一个多尺度密集块的基础框架，其中包含了若干个由卷积操作组成的子模块。实际应用中还需要加入批量归一化(Batch Normalization)，激活函数(ReLU)等组件以完善整个网络的设计。
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