lioncv的专栏

1、问题描述利用深度神经网络进行特征的提取和分类取得了很好的效果。在很多视觉会议的竞赛上，CNN（卷积神经网络）的方法效果都不错。一些“基准”的数据集例如：Caltech-101（Fei-Fei et al., 2004），办公室内区域数据集（Saenko et al., 2010）Caltech-UCSD鸟类纹理识别数据集（Wnlinder et al., 2010）以及SUN-397场

4、实验本文采用的深度卷积神经网络的原型是（Krizhevsky et al 2012）。利用这个网络训练得到多种特征，然后在多个视觉任务上进行测试。本节讨论的”向前路径“计算法在ILSVRC-2010取得了很好的效果。问题是：利用CNN提取的特征是否可以应用到其他数据集上？CNN的性能是如何随着网络的深度变化的？本文定性和定量的说明了这两个问题，通过可视化语义簇，实验对比和“基准”方法的

原文链接：http://blog.youkuaiyun.com/raodotcong/article/details/9003087现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又

原文网址：http://blog.sina.com.cn/s/blog_870a639201019fbl.html【1】A fast learning algorithm for deep belief nets: 2006Hinton关于deep learning的代表作。Papershows how to use “complementary prior” to eliminate t