[Wed, 19 Aug 2015 ~ Tue, 25 Aug 2015] Deep Learning in arxiv

最新推荐文章于 2022-07-28 11:31:49 发布
原创 最新推荐文章于 2022-07-28 11:31:49 发布 · 3.9k 阅读 · 0 ·
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。

本文介绍了多项深度学习领域的研究工作，包括提高图像识别准确率的ParseNet、用于在线文本独立作者识别的DeepWriterID系统、面向图像检索和个人重识别的可伸缩深度哈希算法以及一种改进的人脸检测金字塔形可变形部件模型。

ParseNet: Looking Wider to See Better

code：https://github.com/weiliu89/caffe/tree/fcn


在SiftFlow差不多一个点增长，在PASCAL-Context差不多三个点的增长



DeepWriterID: An End-to-end Online Text-independentWriter Identification System

data acquisition-> data processing->drop segment-> path-signature feature maps-> cnn -> average soft max



Bit-Scalable Deep Hashing with RegularizedSimilarity Learning for Image Retrieval and Person Re-identification

CNN哈希编码


A Deep Pyramid Deformable Part Model forFace Detection





目标检测论文：Recent Advances in Deep Learning for Object Detection
mingo_敏
10-01 1972
目标检测论文：Recent Advances in Deep Learning for Object Detection two-stage detection frameworks: one-stage detection frameworks:
深度学习论文和开源代码
haoji007的博客
01-28 3896
语义分割：  Awesome Semantic Segmentation  https://github.com/mrgloom/awesome-semantic-segmentation Semantic Segmentation Algorithms Implemented in PyTorch  https://github.com/meetshah1995/pytorch-se
[ParseNet]ParseNet: Looking Wider to See Better
Jinming Su
03-02 3589
Abstract 北卡罗纳大学教堂山分校的文章， ICLR 2016. 本文的 Movitation 是看到FCN并没有结合全局信息，所以没有利用潜在的scene-level的语义上下文特征，所以提出一种结合average feature的网络结构来提高分割性能，最终在SiftFlow和PASCAL-Context上达到了SOTA, 在PASCAL VOC 2012上接近SOTA(Deepla...
DeepWriterID：不依赖书写内容的书写人识别
fahaihappy的专栏
03-27 948
点击上方“AI搞事情”关注我们paper: 《DeepWriterID: An End-to-end Online Text-independent Writer Identification System》地址: https://arxiv.org/abs/1508.04945v2相关文章：《Character-level Chinese writer identif...
ParseNet: Looking wider to see better论文解读
zym19941119的博客
06-29 7158
Introduction 这篇文章提出了ParseNet，一个端到端的用于语义分割的卷及神经网络，这篇文章最大的贡献在于使用了全局语义信息（Global Context）来做分割，ParseNet可以直接对网络中任意一层进行全局池化得到一个代表全图特征的特征图，并利用这个特征图进行分割。 可是为什么加入了全局信息就会改善分割的结果呢？ 对于CNN来说，由于池化层的存在，卷积核的感受野（Rec...
语义分割--ParseNet: Looking Wider to See Better
AI小作坊 的博客
05-12 4076
ParseNet: Looking Wider to See Better ICLR2016 https://github.com/weiliu89/caffe/tree/fcn本文主要在语义分割问题中引入 global context 信息来提升分割精度首先指出 FCN 丢弃了全局信息 FCN disregards global information about an image, th
论文阅读：ParseNet: Looking Wider to See Better
漩涡小林的博客
02-19 1325
文章目录1 摘要2 亮点2.1 全局池化层2.2 L2归一化层2.3 ParseNet总体结构3 部分效果图4 结论5 参考文献 1 摘要 针对FCN的实际感受野比理论感受野小很多的问题——按道理VGG+FCN的fc7的感受野是404×404，可实际上的FCN的fc7的感受野却并没有这么大，本文提出一种ParseNet网络，通过融合全局信息来弥补实际感受野的不足。 2 亮点 2.1 全局池化层 作...
【阅读笔记】《ParseNet: Looking Wider to See Better》
ShuqiaoS的博客
05-16 4471
本文记录了博主阅读论文《ParseNet: Looking Wider to See Better》的笔记，代码。更新于2019.05.15。 文章目录AbstractIntroductionRelated WorkParseNetGlobal ContextEarly Fusion and Late Fusion$L_2$ Normalization LayerExperimentsBest P...
[文献阅读] Sparsity in Deep Learning: Pruning and growth for efficient inference and training in NN
jokerxsy的博客
06-29 2223
论文地址：https://arxiv.org/abs/2102.00554sparse model的精确度和计算性能随稀疏程度的变化，分别如下图的绿\红所示。 实现模型稀疏化需要存储的数据格式，如下面的bitmap就是存储一个模型参数个数大小的0/1矩阵，作为mask。 前三种如下图所示。 略略模型的稀疏模式视输入样本而定略computers和brains的不同：略《Soft Threshold Weight Reparameterization for Learnable Sparsity》......
【人脸识别~采样策略】Sampling Matters in Deep Embedding Learning
Lingyun
08-10 1524
Paper：Sampling Matters in Deep Embedding Learning 论文链接：https://arxiv.org/abs/1706.07567 开源代码：https://github.com/chaoyuaw/incubator-mxnet/tree/master/example/gluon/embedding_learning 在embedding lear...
(Weight) Sparsity in Deep Learning
maxzcl的博客
04-20 3900
SOTA* Overview *[Submitted on 31 Jan 2021] Sparsity in Deep Learning: Pruning and growth for efficient inference and training in neural networks https://arxiv.org/abs/2102.00554 The growing energy and performance costs of deep learning have driven th.
论文笔记：ParseNet: Looking Wider to See Better
01-06
文章目录1 摘要2 亮点2.1 全局池化层2.2 L2归一化层2.3 ParseNet总体结构3 部分效果图4 结论5 参考文献 1 摘要 针对FCN的实际感受野比理论感受野小很多的问题——按道理VGG+FCN的fc7的感受野是404×404，可实际上的FCN的fc7的感受野却并没有这么大，本文提出一种ParseNet网络，通过融合全局信息来弥补实际感受野的不足。 2 亮点 2.1 全局池化层 作者发现，使用了FCN的VGG网络在fc7的感受野应当是404×404的，为了测试fc7实际的感受野的大小，作者对原图滑动了一个窗口，将得到图叠加噪音信息，查看fc7的响应，这样就可以看到fc7的实际感
Learning Structured Sparsity in Deep Neural Networks
h__ang的博客
04-18 3712
论文链接：https://arxiv.org/pdf/1608.03665.pdf 代码链接：https://github.com/wenwei202/caffe/tree/scnn 摘要 计算资源的高需求严重阻碍了大规模深度神经网络在资源受限设备上的部署。在这篇工作中，我们提出了一种结构稀疏化学习方法（SSL method）来规范DNNs的结构(filters，channels，filter s...
ParseNet: Looking Wider to See Better论文笔记
xuefengxiaoyang的博客
05-10 957
论文链接：https://arxiv.org/pdf/1506.04579.pdf 代码：https://github.com/weiliu89/caffe/tree/fcn 摘要： 论文提出了在语义分割的深度神经网络中添加全局信息，即对一个卷积层，使用平均特征来增强每个位置的特征。除此之外，还提出了训练模型的几个方法，显著的提高了基准模型的性能。当添加论文提出的全局特征和学习正则化参数的技...
深度学习论文精读[8]：ParseNet
weixin_37737254的博客
07-28 2173
U形的编解码结构奠定了深度学习语义分割的基础，随着基线模型的表现越来越好，深度学习语义分割关注的焦点开始由原先的编解码架构下上采样如何更好的恢复图像像素转变为如何更加有效的利用图像上下文信息和提取多尺度特征。因而催生出语义分割的第二个主流的结构设计：多尺度结构。接下来的几篇论文解读将对重在关注图像上下文信息和多尺度特征的结构设计网络进行梳理，包括ParseNet、PSPN...
ParseNet论文解读
thesby的专栏
09-29 6531
导言其实图像语义分割和目标检测如果对比起来看到话，基本上是一样的任务。目标检测需要定位目标并找到最准确的框，而语义分割是把目标分割出来。由此可见，语义分割是比目标检测更困难的任务。有时候并不需要分割出目标，只需要框出来就可以了，比如行人检测，就不一定要把它分割出来，所以目标检测的算法用途也很广泛。如果对比目标检测和语义分割的论文的话，基本上是面对着相似的问题。ParseNet和SSD是同一个作者做的
ParseNet源码训练和分析
Jinming Su
03-05 1354
ParseNet 官方源代码位置: Caffe: https://github.com/weiliu89/caffe/tree/fcn model: https://gist.github.com/weiliu89/45e9e8de2c13af6476ca#file-readme-md 编译Caffe 直接从github上clone下来代码 git clone htt...
语义分割系列论文 ParseNet
zzsyjl的博客
04-25 978
语义分割系列论文 ParseNet核心思想--Global Context理论感受野的大小（Receptive Field）实际感受野的大小此文章如何扩大感受野？疑点（读者可以忽略本节）总结 这是第一次尝试写博客，主要是在看ParseNet这篇论文时，不管是在知乎还是在优快云，甚至在外网的medium上面，都没有找到讲解得十分清楚的博客。而自己相比与直接看论文原文，更喜欢看学术气没那么重，更贴近...
SSD: Single Shot MultiBox Detector 模型fine-tune和网络架构
热门推荐
Jesse_Mx的博客
06-30 1万+
前言 博主在上一篇中提到了两种可能的改进方法。其中方法1，扩充类似数据集，详见Udacity Self-Driving 目标检测数据集简介与使用 ，由于一些原因，并未对此数据集做过多探索，一次简单训练下，mAP为64%左右，这还需要进一步探索。而方法2，说的是fine-tune已经训练好的SSD model，最近没来得及进行调参，初次实验效果有限，先把过程和原理记录下来，免得忘了，然后还会说下
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

AI记忆

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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