weixin_42164269的博客

tf.train.create_global_step用法：tf.train.create_global_step(graph=None)作用：在图中创建全局步长张量参数：graph：在该图中创建全局步长张量。如果丢失，使用默认图。返回：全局步长张量...

Abstract受过大规模数据训练的深度网络可以学习可转移的特性，以促进学习多种任务。随着深度特征最终从一般到特定的深度网络的转换，一个根本的问题是如何利用不同任务之间的关系，并提高特定任务层的特性可转移性。本文提出了在深层卷积神经网络中，基于新颖的张量先验的深度关系网络（DRN），在多任务特定层的参数张量上发现任务关系。通过联合学习可转移的特性和任务关系，DRN能够缓解在特征层中负转移的困境...

摘要近年来，卷积神经网络（卷积神经网络）对视频中人类行为识别的应用提出了不同的解决方案，用于整合外观和运动信息。为了更好地利用时空信息，我们研究了许多在空间和时间上融合卷积塔的方法。我们得出以下结论：（i）不是在softmax层进行融合，而是在一个卷积层上融合空间和时间网络，即不会损失性能，而且在参数上有大量的节省;（ii）最好在最后一个卷积层而不是之前的层上（spatially）融合，而在类...

摘要卷积神经网络（CNNs）被广泛应用于图像识别问题，在识别、检测、分割和检索方面提供了最先进的结果。在这项工作中，我们提出并评估了几个深度神经网络架构，将在一个视频中更长时间的图像信息结合起来。我们提出了两种处理全长度视频的方法。第一个方法探索了各种卷积时间特征池架构，研究了在为这个任务调整CNN时需要做出的各种设计选择。第二种方法明确地将视频建模为一个有序的帧序列。为此，我们使用了一个循环...

摘要卷积神经网络（CNNs）最近在各种计算机视觉任务中非常成功，特别是那些与识别有关的任务。光流量估计并不在CNN能够成功完成的任务当中。本文提出了一种能够将光流估计问题作为监督学习任务的CNNs。我们提出并比较两个架构：一个通用架构和另一个架构，包括一个在不同的图像位置关联特征向量的层。由于现有的地ground truth数据集不够大，不足以训练CNN，所以我们生成了一个大型的合成Flyin...

摘要尽管端到端学习的表示最近取得了成功，但手工制作的光流特征仍然被广泛应用于视频分析任务中。为了填补这一空白，我们提出了TVNet，一个新颖的端到端可训练神经网络，从数据中学习光流的特征。TVNet包含了一个特定的光流解算器，即TV-L1方法，并通过将其优化迭代展开为神经层来初始化。因此，TVNet可以直接使用，无需任何额外的学习。此外，它可以与其他特定于任务的网络自然地连接起来，以形成端到端...

现存的深度卷积网络需要固定大小的输入图片（例如，224×224）。这个要求可能降低任意大小/尺度图片/子图的识别精度。在SPPnet中，作者提出了另一个共享策略，即“空间金字塔池”，以消除上述需求。SPPNet可以不管图片的大小都可以生成固定长度的表示。图1 上面一行是一般的深度卷积网络的结构，下面一行是SPPNet的网络结构。卷积层接受任意的输入大小，但是它们产生可变大...