小胜爱捣鼓

《Sparse Filtering》泛读笔记

《Vehicle Type Classification Using Unsupervised Convolutional Neural Network》泛读笔记

《Vehicle Type Classification Using Semi-Supervised Convolutional Neural Network》泛读笔记

《HD-CNN: HIERARCHICAL DEEP CONVOLUTIONAL NEURAL NETWORK FOR IMAGE CLASSIFICATION》泛读笔记

《 Combining the Right Features for Complex Event Recognition》泛读笔记

这篇博客是文献《Unsupervised Template Learning for Fine-Grained Object Recognition》的阅读笔记。

这篇博客是《Selective Search for Object Recognition》文献的阅读笔记。

《 Rich feature hierarchies for accurate object detection and semantic segmentation》文献阅读笔记。

一.文献名字和作者     Part-based R-CNNs for Fine-grained Category Detection, ECCV2014   二.阅读时间    2014年12月8日三.文献的目的     文献的目的是解决在进行细粒度识别的测试过程中，关于物体边框注解的依赖问题。四.文献的贡献点   作者提出

《An Analysis of Single-Layer Networks in Unsupervised Feature Learning》文献阅读笔记

《A Codebook-Free and Annotation-Free Approach for Fine-Grained Image Categorization》文献阅读笔记

一.文献名字和作者     Fine-Grained Crowdsourcing for Fine-Grained Recognition, Jia Deng, Jonathan Krause, Li Fei-Fei, CVPR2013   二.阅读时间    2014年11月26日三.文献的目的    文章主要提出了一种使用众包的方法进行细粒度分类

一.文献名字和作者     Network In Network.Min Lin, Qiang Chen, Shuicheng Yan   二.阅读时间    2014年11月19日三.文献的目的    文章主要是对于CNN结构进行改进，使得CNN能够学习到更加抽象和有效的非线性特征。四.文献的贡献点4.1 卷积层的改进--多

一.文献名字和作者    ImageNet Large Scale Visual Recognition Challenge，Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause , Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Micha

一.文献名字和作者    Dropout: A Simple Way to Prevent Neural Networks from Overtting   二.阅读时间    2014年11月19日三.文献的贡献点    这篇文章主要还是复述了一遍那篇引入dropout的文章《Improving neural networks by pre

一.文献名字和作者    Improving neural networks by preventing co-adaptation of feature detectors， G. E. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever and R. R. Salakhutdinov   二.阅读时间    2014年1

一.文献名字和作者      A Theoretical Analysis of Feature Pooling in Visual Recognition， Y-Lan Boureau, Jean Ponce, Yann LeCun   二.阅读时间    2014年11月12日 三.文献的贡献点   在这篇文章中，作者的贡献点主要有三个：1.

一.文献名字和作者     Visualizing and Understanding Convolutional Networks, ECCV2014   二.阅读时间    2014年11月11日三.文献的目的    可视化CNN学习到的特征，并且从这些特征中找到改进神经网络的结构的方法。四.文献的贡献点4.1 特

一.文献名字和作者    Very Deep Convolutional Networks for Large-Scale Image Recognition. Karen Simonyan,Andrew Zisserman   二.阅读时间    2014年11月4日三.文献的目的    文献的主要目的在于测试随着深度的加深，卷积神经网络对于大规模

一.文献名字和作者     Learning Invariant Features through Topographic Filter Maps，Koray Kavukcuoglu Marc’Aurelio Ranzato Rob Fergus Yann LeCun   二.阅读时间    2014年11月3日三.文献的贡献点   这篇文章

一.文献名字和作者     What is the Best Multi-Stage Architecture for Object Recognition?， Kevin Jarrett, Koray Kavukcuoglu, Marc’Aurelio Ranzato and Yann LeCun   二.阅读时间    2014年11月3日三

一.文献名字和作者     Some Improvements on Deep Convolutional Neural Network Based Image Classification, Andrew G. Howard   二.阅读时间    2014年10月31日三.文献的目的    文献主要提出了几种能够提高基于CNN的图像分类系统的准确

一.文献名字和作者     Visualizing Higher-Layer Features of a Deep Network， Dumitru Erhan, Yoshua Bengio, Aaron Courville, and Pascal Vincent   二.阅读时间    2014年10月30日三.文献的目的    寻找可以可视化DN

一.文献名字和作者    Extracting and Composing Robust Features with Denoising Autoencoders,  Pascal Vincent, Hugo Larochelle, Yoshua Bengio, Pierre-Antoine Manzagol   二.阅读时间     2014年10月30日

一.文献名字和作者    Atrainable feature extractor for handwritten digit recognition，Fabien Lauer, ChingY. Suen, Gérard Bloch   二.阅读时间    2014年10月28日三.文献的贡献点    这篇文章主要介绍了使用改进的CNN结构作

一.文献名字和作者      Human Action Recognition Using a Modified Convolutional Neural Network， Ho-Joon Kim, Joseph S. Lee, and Hyun-Seung Yang   二.阅读时间     2014年10月28日三.文献的贡献点    这

一.文献名字和作者    Scaling Learning Algorithms towards AI，Yoshua Bengio  and Yann LeCun    二.阅读时间    2014年10月27日三.文献的贡献点    这篇文章是一篇综述文章，有两个DL领域的大神合作编写，主要阐述浅层结构遇到的一些问题，以及浅层结构的一些缺点

一.文献名字和作者    Large-scale Learning with SVM and Convolutional Nets for Generic Object Categorization   二.阅读时间    2014年10月23日三.文献的贡献点    将能够学习到不变性特征的CNN和能够学习到较好分界面的SVM进行融合，从而

一.文献名字和作者    Image Blur Classification and Parameter Identification using Two-stage Deep Belief Networks   二.阅读时间     2014年10月23日三.文献的贡献点    文献主要提出了使用DBN作为模糊类型分类和参数估计的方法，主要

一.文献名字和作者    A machine learning approach for non-blind image deconvolution, CVPR2013   二.阅读时间    2014年10月20日三.文献的贡献点    文献主要提出了一种非盲图像的反卷积方法，非盲图像表示作者是已经知道PSF和模糊图像，要求理想图像的过程，

一.文献名字和作者    Learning a Deep Convolutional Network for Image Super-Resolution， ECCV2014   二.阅读时间    2014年10月16日三.文献的贡献点    作者提出了使用CNN来进行图像超分辨率重构，作者分析了超分辨率的主要过程，通过数学表示证明了超分辨

一.文献名字和作者    PCANet: A Simple Deep Learning Baseline for Image Classification?； Tsung-Han Chan, Kui Jia, Shenghua Gao, Jiwen Lu, Zinan Zeng, and Yi Ma   二.阅读时间    2014年10月10日三.文献

一.文献名字和作者     Classification of Histology Sections via Multispectral Convolutional Sparse Coding， CVPR2014   二.阅读时间    2014年10月9日三.文献的贡献点    文章主要提出了使用多光谱卷积稀疏编码来作为组织细胞分类，相比与

一.文献名字和作者    Deep Convolutional Network Cascade for Facial Point Detection， CVPR2013   二.阅读时间    2014年10月9日三.文献的贡献点     文章中提出了一种通过级联CNN的方式实现人脸关键点定位，同时，在每一个级联层又包含了多个CNN。每一个C

一.文献名字和作者     Blind Image Quality Assessment using Semi-supervised Rectifier Networks， CVPR2014   二.阅读时间    2014年10月9日三.文献的贡献点    文章主要介绍了基于半监督 rectifier网络的盲图像(没有理想图像作为参考)质量

一.文献名字和作者    Leveraging Hierarchical Parametric Networks for Skeletal Joints Based Action， CVPR2014   二.阅读时间    2014年10月9日三.文献的贡献点    这篇文章主要介绍了如何使用深度置信网络(DBN)来代替GMM用于使用3D骨骼

一.文献名字和作者    Neural Decision Forests for Semantic Image Labelling， CVPR2014   二.阅读时间    2014年10月9日三.文献的贡献点    文章主要是将多层感知机作为决策树的分支结点，并提出了用于防止多层感知器Overfitting的方法：随机选择输入，基于数据复

一.文献名字和作者    Large-scale Video Classification with Convolutional Neural Networks, CVPR2014   二.阅读时间    2014年10月8日三.文献的贡献点    文章的贡献点主要有三个：1.将CNN拓展，用于视频分类；    2.使用两种不同的分辨率的

一.文献名字和作者   Convolutional Neural Networks for No-Reference Image Quality Assessment, CVPR2014   二.阅读时间    2014年10月8日三.文献的贡献点   文献提出了一种基于卷积神经网络的无参考图像评价方法，主要是使用一个卷积层和Pooling层

一.文献名字和作者    Non-rigid Segmentation using Sparse Low Dimensional Manifolds and Deep Belief Networks， CVPR2014   二.阅读时间    2014年10月4日三.文献的贡献点    文献的主要贡献点在于提出了一种基于稀疏低维流形的直接的非