[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
最新推荐文章于 2022-07-28 11:31:49 发布
阅读量3.9k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： deep learning 深度 学习论文与相关应用
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/sunbaigui/article/details/48394205
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。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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 1848
目标检测论文：Recent Advances in Deep Learning for Object Detection two-stage detection frameworks: one-stage detection frameworks:
Learning Structured Sparsity in Deep Neural Networks
h__ang的博客
04-18 3666
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...
DeepWriterID：不依赖书写内容的书写人识别
fahaihappy的专栏
03-27 871
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 7114
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 4046
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 1286
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 4408
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...
【人脸识别~采样策略】Sampling Matters in Deep Embedding Learning
Lingyun
08-10 1493
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...
Clustering-with-Deep-learning:深度学习集群的通用实现
05-02
arxiv： ：//arxiv.org/abs/1801.07648 用法 使用主脚本来训练，可视化集群和/或报告集群指标 python main.py 选项 -d DATASET_NAME, --dataset DATASET_NAME (Required) Dataset on which autoencoder is to be ...
arXiv综述论文“Image Segmentation Using Deep Learning: A Survey”
yorkhunter的博客
01-20 3937
arXiv于2020年1月15日上传图像分割综述论文“Image Segmentation Using Deep Learning: A Survey“。 摘要：图像分割是图像处理和计算机视觉中的关键主题，其应用包括场景理解、医学图像分析、机器人感知、视频监控、增强现实和图像压缩等。已经开发了用于图像分割的各种算法。最近，由于深度学习模型在各种视觉应用中的成功，有大量工作在用深度学习模型开发图像分...
[ParseNet]ParseNet: Looking Wider to See Better
Jinming Su
03-02 3552
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...
ParseNet: Looking Wider to See Better论文笔记
xuefengxiaoyang的博客
05-10 925
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 2112
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源码训练和分析
Jinming Su
03-05 1323
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...
多层神经网络和BP反向传播算法Multilayer Networks and Backpropagation
GarfieldEr007的专栏
04-06 1863
Multilayer Networks and Backpropagation  Introduction Much early research in networks was abandoned because of the severe limitations of single layer linear networks. Multilayer networks
ParseNet论文解读
thesby的专栏
09-29 6489
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
时间
zoey的专栏
01-09 1164
java 中时间和日期处理的小记 经常会遇到处理时间和日期的情况，小记一下，呵呵。 时间和日期中常用到的几个类：java.util.Date, ja
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
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