Evabook的博客

深度学习论文汇总论文汇总经典必读最新进展论文汇总将自己学习的论文进行汇总和分析，从而更清楚地把握整体论文脉络（持更）经典必读原博客链接： link.ImageNet Classification with Deep Convolutional Networks（AlexNet）–起源Visualizing and Understanding Convolutional Neural ...

ImageNet Classification with Deep Convolutional Networks（AlexNet）论文简述论文要点CNN的优势ReLU-非饱和神经元（non-saturating）局部响应归一化（Local Response Normalization,LRN）重叠池化（Overlapping Pooling）数据扩充Dropout其他细节网络构架论文简述本文算...

Visualizing and Understanding Convolutional Networks（ZFNet）-未完成论文简述论文要点反卷积可视化反池化校正过滤泛化能力论文简述本文主要通过反卷积（DeConvNet）实现对卷积网络的可视化，理解网络中特征层的函数以及分类器操作，从而实现对网络的优化；本文实现了对AlexNet网络的可视化，并对其进行优化，使分类结果提升。此外，还通过遮挡...

Very Deep Convolutional Networks for Large-scale Image Recognition（VGG-Net）论文简述论文要点网络结构训练过程测试过程评估结论思考论文简述本文探究了在大规模图像识别任务中，卷积网络深度对模型准确度的影响。使用带有非常小（3×3）卷积滤波器的体系结构对深度增加的网络进行全面评估。论文要点网络结构通用布局通用布局...

Going Deeper with Convolutions（GoogLeNet）论文简述论文要点当前问题解决方法小吐槽论文简述论文要点当前问题最为直观的提升CNN网络性能的方式，便是增加它的尺寸，包括深度（网络层数）和宽度（每层的单元数），然而大尺寸网络意味着：大量的参数，使网络更容易过拟合（dropout在一定程度上解决这个问题）激增的计算资源使用量，如果增加的资源消耗没有有效利...

Box-constrained L-BFGS 相关知识拓展box-constrained optimization problemhard problemL-BFGS矩阵相关autoencoder变分自动编码器(Variational Autoencoder)lipschitz常数，lipschitz条件Jacobian矩阵，Hessian矩阵Parseval’s formulabox-cons...

卷积网络模型设计方向代季峰《卷积神经网络中的几何形变建模》由于构造卷积神经网络 (CNN) 所用的模块中几何结构是固定的，其几何变换建模的能力本质上是有限的。之前的网络保持空间不变性都是通过仿射变换等形式，但仿射变换仍然具有局限性和固定性，不能很好的泛化到各种形变中Spatial Transformaer Network(STN)网络通过引入localisation net网络来...