励志的小胡子

摘要：用于图像去噪的判别模型学习由于其有利于去噪性能而最近吸引了相当大的关注。在这篇文章中，我们通过研究前馈去噪卷积神经网络（DnCNN）的结构向前迈进了一小步，将非常深的结构、学习算法和正则化方法使用到图像去噪的过程中。特别是，使用残差学习和批量归一化来加速训练过程和提高去噪性能。与通常在特定噪声水平上训练加性高斯白噪声（AWGN）的特定模型的现有判别去噪模型不同，我们的DnCNN模型能够处...

   题目：一种基于混合深度神经网络的位置和方向检测的新颖鲁棒性算法声明：本篇论文的翻译，目的是为了个人的学习，如果涉及到侵权行为，请评论，我会立即删除。Abstract（摘要）通过使用机器视觉评估物体的位置和方向在工业自动化中是重要的。传统的Canny算子和Hough变换边缘检测算法被广泛使用，但其在复杂背景下的准确性的实时目标识别非常有限。在本篇论文中，提出了一种结合单次多盒检...

                   题目：使用深度卷积神经网络进行ImageNet分类                                                    作者：Alex Krizhevsky,     Ilya Sutskever    Geoffrey E.HintonAbstract(摘要)我们训练了一个大型深度卷积神经网络，将ImageNet...

进一步深化卷积Abstract(摘要)我们提出了一个代号为Inception的深度卷积神经网络架构，该架构负责设置2014年ImageNet大规模视觉识别挑战赛(ILSVRC14)中用于分类和检测的新技术。该体系结构的主要标志是提高了网络内计算资源的利用率。这是通过精心的设计实现的，该设计允许增加网络的深...

针对图像识别的深度残差学习Abstract(摘要)更深的神经网络更难训练。我们提出了一个残差的学习框架，以便于对比以前使用的网络深度更深的网络进行训练。我们参考层的输入明确地将层重新表示为学习残差函数，代替学习没有参考的函数。我们提供全面的经验证据表明这些残差网络更容易优化，并且可以从显著增加的深度获得准确性。在ImageN...

Abstract(摘要)我们提出了一个通过对抗过程来评估生成模型的新框架，其中我们同时训练两个模型：捕获数据分布的生成模型G，以及评估样本来自训练数据而不是生成模型G的概率的判别模型D。G的训练过程是最大化D犯错误的概率。该框架对应于极大极小化双人游戏。在任意函数G和D的空间中，存在唯一的解决方案，其中G用来逼近训练数据分布并且达到和G相等，为1/2。在G和D由多层感知器定义的情况下，整个系统...

Abstract(摘要)近年来，使用卷积网络(CNN)的监督学习已经在计算机视觉应用中得到了广泛的应用，相比之下，CNN的无监督学习受到的关注较少。在这项工作中，我们希望弥补CNNs在有监督学习和无监督学习方面的成功之间的差距。我们引入了一类称为深度卷积生成对抗网络(DCGAN)的CNN，它具有某种结构约束，并说明了他是一个有力的无监督候选方法。在各种图像数据集的训练中，我们展示了令人信服的证...