Convolutional 第29页

读书笔记21：MiCT: Mixed 3D/2D Convolutional Tube for Human Action Recognition（CVPR2018）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhou_MiCT_Mixed_3D2D_CVPR_2018_paper.pdf本文考虑到在识别人体动作的时候，3DCNN的水平不及2DCNN在识别静态图片时的水平，认为这是由于3DCNN消耗的计算资源和存储资源过大导致不能很好的训练，因此在本文中提出了一个2D和3DCNN结合的模型进行动作

b224618·2020-08-23 04:48

（DenseNet）Densely Connected Convolutional Networks论文阅读笔记

文章目录（DenseNet）DenselyConnectedConvolutionalNetworks论文阅读笔记2018Abstract1.Introduction2.RelatedWork3.DenseNets4.Experiments4.1Datasets4.2Training4.3ClassificationResultsonCIFARandSVHN4.4ClassificationRes

AndyLiu1997·2020-08-23 03:51

Toward Convolutional Blind Denoising of Real Photographs

本文提出了一个针对真实图像的盲卷积去噪网络，增强了深度去噪模型的鲁棒性和实用性。摘要作者提出了一个CBD-Net，由噪声估计子网络和去噪子网络两部分组成。作者设计了一个更加真实的噪声模型，同时考虑了信号依赖的噪声和相机内部处理的噪声。基于真实噪声模型合成的图片和真实的噪声图片被联合在一起对网络进行训练。噪声模型除了高斯噪声，真实的图片噪声更加复杂，并且是信号依赖的。给定一个干净图片x，一个更加真实

seniusen·2020-08-22 21:48

Reading Note: Tiny SSD: A Tiny Single-shot Detection Deep Convolutional Neural Network for Real-time

TITLE:TinySSD:ATinySingle-shotDetectionDeepConvolutionalNeuralNetworkforReal-timeEmbeddedObjectDetectionAUTHOR:AlexanderWong,MohammadJavadShafiee,FrancisLi,BrendanChwylASSOCIATION:UniversityofWaterloo

joshua_1988·2020-08-22 15:54

【目标检测】FCOS: Fully Convolutional One-Stage Object Detection

论文：《FCOS:FullyConvolutionalOne-StageObjectDetection》ICCV2019论文地址：https://arxiv.org/pdf/1904.01355.pdf代码：https://github.com/tianzhi0549/FCOS/https://github.com/shanglianlm0525/PyTorch-Networkshttps://g

zhw864680355·2020-08-22 15:20

【论文阅读笔记PCNN】Distant Supervision for Relation Extraction via Piecewise Convolutional Neural Networks

论文链接：http://aclweb.org/anthology/D/D15/D15-1203.pdf论文模型：PCNN 这篇文章是Zeng在2014年CNN经典论文之后的有益著作，这篇论文提出PCNN方法，将卷积网络特征提取应用于远距离监督，而且还引入多示例学习方法。1摘要文章开头就提出两个关于使用远距离监控进行关系抽取时会出现饿问题。首先，在这种方法中，启发式地将一个已经存在的知识库与文

Irving_III·2020-08-22 14:37

FCOS: Fully Convolutional One-Stage Object Detection论文笔记

摘要本文提出了一个全卷积单阶段的目标检测模型(FCOS)。它类似于语义分割，通过按像素预测的方式来实现目标检测。它属于anchor-free模型，通过消除先验框，避免了大量的额外计算，同样也避免了先验框/候选框(anchorbox)的各种超参数的设置(SSD,Yolo以及fasterrcnn等目标检测模型，无一不需要手动设置先验框的尺寸和长宽比，网络最终的性能容易受到这些先验框超参数的影响)。FC

mhxin·2020-08-22 14:39

Convolutional_Seq2Seq的环境搭建及训练

上次分享了FaceBook最近提出的ConvolutionSeq2Seq模型的一些理论知识，今天跟大家分享一下实际操作经验,主要包括三个方面内容：1、安装Torch平台，2、配置fairseq环境，3、模型测试与训练。实验支持：MacOs/Ubuntu12+/Centos7系统都可以，最好拥有GPU支持，安装好CUDA。台主的实验环境：Centos7+TeslaM40GPU+CUDA_8.01、安

lqfarmer·2020-08-22 12:11

Pytorch框架，ResNet50，猫狗分类

神经网络importtorchimporttorch.nnasnnfromtorch.autogradimportVariableclassconvolutional_block(nn.Module):#convolutional_block

danielr1106·2020-08-22 12:59

论文阅读：Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks

本文是关于方面级情感分析的一篇论文，于2019年发表在EMNLP上，下面是对这篇论文的详细介绍。文章目录1Introduction2GraphConvolutionalNetworks3Aspect-specificGraphConvolutionalNetwork3.1EmbeddingandBidirectionalLSTM3.2ObtainingAspect-orientedFeatures

Rock_y·2020-08-22 12:58

Bag of Tricks for Image Classification with Convolutional Neural Networks阅读笔记

BagofTricksforImageClassificationwithConvolutionalNeuralNetworks——使用卷积神经网络进行图像分类的技巧包文章目录BagofTricksforImageClassificationwithConvolutionalNeuralNetworks——使用卷积神经网络进行图像分类的技巧包摘要1、介绍论文大纲2、训练过程实验结果3、高效训练摘要

Libaididi·2020-08-22 12:09

论文 Convolutional Networks for Images, Speech, and Time-Series

论文ConvolutionalNetworksforImages,Speech,andTime-Series1IntroductionTheabilityofmultilayerback-propagationnetworkstolearncomplex,heigh-dimensional,non-linearmappingfromlargecollectionofexamplesmakethem

Lingjie Fan·2020-08-22 11:16

深层CNN的调参经验 | A practical theory for designing very deep convolutional neural networks

Apracticaltheoryfordesigningverydeepconvolutionalneuralnetworks两个前提假设：1.对于每一个卷积层，其学习更复杂表示的能力应该被保证2.最高层的感受野应该不大于图像范围Whydeep?更深：只增加了线性复杂度，但是模型的学习效果却提升了很多模型结构1.featurelevel：怎样加入更深的网络本质上为带限制的优化问题两个限制：1.每一

seeInfinite·2020-08-22 10:03

【深度学习实践】A practical theory for designing very deep convolutional neural networks-深度卷积神经网络的设计实践理论

AnanswerforhowtoGoingDeepeffectively本文主题：深度卷积神经网络的设计实践理论概述在深度学习网络搭建中，goingdeep是提升网络表征能力的重要方向。但是，盲目增加网络层数可能会使网络性能下降。该论文提出两个设计的原则：第一，每一层保证其学习复杂特征的能力，即网络学习能力第二，最顶层保证其感受野小于图像区域（刚好小于，若过小无法学习复杂特征）采用最优化理论，论文

doudouwenhui·2020-08-22 09:41

Notes on Convolutional Neural Networks（阅读）

这篇文章是大家熟悉的CNN，这是被埋没了很久的一篇，是金子总会发光。网络测试的可视化效果，http://yann.lecun.com/exdb/lenet/index.html=====================================================================使用的代码：DeepLearnToolbox，下载地址：点击打开，感谢该toolbox

langb2014·2020-08-22 09:12

Image Super-Resolution Using Deep Convolutional Networks

ImageSuper-ResolutionUsingDeepConvolutionalNetworkscode:http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html本文使用一个三层的卷积网络来实现图像超分辨率，得到很好的效果。1INTRODUCTION单帧图像的超分辨率，即由一幅低分辨率图像重建出一幅高分辨率图像。在计算机视觉中这是一个比较经典的问题，比较

O天涯海阁O·2020-08-22 09:36

论文阅读：DENSELY CONNECTED CONVOLUTIONAL NETWORKS

概述作者观察到目前的深度网络有一个重要的特点是shortedconnected，认为能够训练极深的网络很可能就是由于这个原因。于是作者提出了Denselyconnectedconvolutionalnetwork，该网络和ResNet类似，采用了短路链接。但是不同的是，在接收前层的featuremaps时，ResNet采用了summation，而DenseNet采用的则是concatedlayer

丁香留心·2020-08-22 09:18

论文阅读-《Densely Connected Convolutional Networks》

CVPR2017BestPaperMotivation:最近的一些卷积神经网络都证实了在网络当中加入shortconnection能够让网络更深、更准确、更高效，另一方面，最近的一些resnet的变种往往可以用更浅层的模型达到和深层的模型差不多的性能，这些充分说明了现有的卷积神经网络学习得到的很多特征都是冗余的。作者的想法是充分利用skipconnection，设计一个denseconvoluti

yj_isee·2020-08-22 09:41

Very Deep Convolutional Networks for Large-Scale Image Recognition 论文解读

精彩解读（好的论文阅读习惯）解读1VGGNet模型解读-2014年（VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition）

努力奋斗-不断进化·2020-08-22 09:24

Very deep convolutional networks for larage-scale image recognition

1.结构配置预处理只有减去所有RGB像素的均值使用最小的感受野3×3，如果选择1×1，则可作为输入通道的线性变换（后面跟着激活函数的非线性）。卷积stride1，pad1（卷积图大小不会因为卷积而改变）共5个最大池化，窗口2×2，stride2全连接层前两层4096，输出1000所有激活选择ReLU，不使用局部响应归一化深度从11（8+3）到19（16+3），特征图从64开始每次增长2倍直到512

ifenghao·2020-08-22 09:21

Densely Connected Convolutional Networks

卷积神经网络（CNN）已经成为视觉对象识别的主要机器学习方法。虽然它们最初是在20多年前推出的[18]，但是计算机硬件和网络结构的改进使得真正深入的培训成为可能最近才有CNN。原来的LeNet5[19]由5层组成，VGG的19个[28]，去年公路网[33]和剩余网络（ResNets）[11]已经超过了100层的障碍。随着CNN越来越深入，出现了一个新的研究问题：当有关输入或渐变的信息通过多层时，它

xiaofei0801·2020-08-22 04:41

Very deep convolutional networks for large-scale image recognition

这篇主要探索深度对CNN的影响，从这篇的结果16-19层对大规模图像分类的效果具有更好的效果以及在2014年googlenet中网络层数达到22层，甚至于可以实现更多层的这种CNN结构，目前对CNN的研究趋势似乎是朝更深的方向发展，同时这种堆叠特征的策略也给我们一些启示。但是对于层数越深效果可能实现不明显的提升，其花费的代价也会提升，如何达到这其中平衡，这也是一件值得思考的事。结论：A与A-LRN

x251140·2020-08-22 04:35

（SRCNN）Image super-resolution using deep convolutional networks

wonengguwozai·2020-08-22 04:49

【机器学习】卷积神经网络 CNN （Convolutional Neural Network）

卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（poolinglayer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和

猿人头·2020-08-22 04:20

Very Deep Convolutional Networks for Large-Scale Image Recognition（VGG）笔记

VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition一、摘要本文主要是使用非常小的（3X3）的卷积滤波器架构对网络深度的增加进行全面的评估。二、网络结构图像的预处理是减去均值固定大小为224x224。3X3卷积层的填充是1、步长也是1。MAXPOOL窗口是2、步长也是2，初始通道数为64，在通道没有达到512之前，每池化一次通道数都

weixin_44700424·2020-08-22 04:44

【网络结构】MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications论文解析...

【网络结构】MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications论文解析目录0.Paperlink1.Overview2.DepthwiseSeparableConvolution2.1architecture2.2computationalcost3.NetworkStructure4.WidthMu

急流勇进·2020-08-22 04:39

【Network Architecture】Densely Connected Convolutional Networks 论文解析

【NetworkArchitecture】DenselyConnectedConvolutionalNetworks论文解析目录0.Paperlink1.Overview2.DenseNetArchitecture2.1AnalogytoResNet2.2Compositefunction2.3DenseblockandTransitionlayer2.4Growthrate2.5Bottlene

急流勇进·2020-08-22 04:08

Graph Convolutional Networks for Text Classification [阅读笔记]

GraphConvolutionalNetworksforTextClassification[阅读笔记]简介贡献相关研究传统文本分类方法基于深度学习的文本分类方法图神经网络方法图卷积网络（GCN）文本图神经网络TextGCN图的构建网络结构结论简介文章基于词的共线和文档的词关系，构建了语料库的知识图谱。TextGCN初始化为word和doc的独热表示，然后他们共同学习word和doc的嵌入表示，

WENSHASHA_·2020-08-22 04:45

【深度卷积神经网络的加速】Accelerating Very Deep Convolutional Networks for Classification and Detection

AcceleratingVeryDeepConvolutionalNetworksforClassificationandDetection附上论文链接：https://www.semanticscholar.org/paper/Accelerating-Very-Deep-Convolutional-Networks-for-Zhang-Zou

weixin_41977410·2020-08-22 04:17

DenseNet：Densely Connected Convolutional Networks（论文阅读笔记）

论文链接：《DenselyConnectedConvolutionalNetworks》代码链接：https://github.com/liuzhuang13/DenseNet摘要最近的研究表明，如果卷积网络包含接近输入层和接近输出层之间较短的连接，那么训练卷积网络将会更加深入、准确和有效。在本文中，我们接受了这一观察，并引入了DenseConvolutionalNetwork(DenseNet)

酉意铭·2020-08-22 04:31

翻译《R-FCN: Object Detection via Region-based Fully Convolutional Network》

R-FCN:ObjectDetectionviaRegion-basedFullyConvolutionalNetworkAbstract摘要1Introduction引言2Ourapproach我们的方法2.1Overview2.2Backbonearchitecture骨干架构2.3Position-sensitivescoremaps&Position-sensitiveRoIpooling

二佳呀·2020-08-22 04:25

论文解读| Very Deep Convolutional Networks for Large-Scale Image Recognition

这个不做翻译了，网上太多了。如果想看，看看这篇博文，对论文进行了翻译。有时间我都抄来，嘿嘿。https://blog.csdn.net/abc_138/article/details/80568450https://blog.csdn.net/abc_138/article/details/80568450vgg的用途vgg的作用，分类图片，定位跟踪目标。其论文主要阐述了不同模型的深度对于分类图片

ChengLaun·2020-08-22 04:25

论文阅读笔记：Densely Connected Convolutional Networks（DenseNet）

发表载体：CVPR,2017,最佳论文作者信息：GaoHuang，CornellUniversity；ZhuangLiu，TsinghuaUniversity；LaurensvanderMaaten，FacebookAIResearch论文地址：论文下载代码：代码1、解决的问题深度卷积神经网络可以准确有效地解决各类问题，但是随着网络层数的加深，梯度消散的问题愈加严重；而且大规模的网络参数造成了计算

大程子ii·2020-08-22 04:11

(2) [NeurIPS12] ImageNet Classification with Deep Convolutional Neural Networks

计划完成深度学习入门的126篇论文第二篇，摘自多伦多大学AlexKrizhevskyh和GeoffreyHinton合著发表在NeurIPS2012的论文，同时也算是2012年ImageNet的冠军得主论文。摘要Abstract论文作者训练了一个大型深度卷积神经网络来对120万的高分别率图片做1000分类，并且优于之前的精度记录。使用了6000万个参数以及65万个神经单元。在前五层神经网络使用了最

gdtop818·2020-08-22 04:06

【论文阅读】Image Super-Resolution Using Deep Convolutional Networks

2019独角兽企业重金招聘Python工程师标准>>>摘要：我们提出了一种用于单张图像超分辨率（SR）的深度学习方法。我们的方法在低分辨率和高分辨率图像上直接学习端到端的映射.这种映射被表示为一种深度卷积神经网络（DCNN），它将低分辨率图像作为输入并且把高分辨率图像作为输出。我们进一步表明，基于传统的稀疏编码的超分辨率方法可以被描述为一个深度卷积网络。但和传统的方法并不一样，传统的方法在处理每个

weixin_34121304·2020-08-22 04:06

论文阅读笔记四十一：Very Deep Convolutional Networks For Large-Scale Image Recongnition（VGG ICLR2015）...

论文原址：https://arxiv.org/abs/1409.1556代码原址：https://github.com/machrisaa/tensorflow-vgg摘要本文主要分析卷积网络的深度对基于大数据集分类任务中准确率的影响，本文使用较小的卷积核（3x3），应用至较深的网络中并进行评估，将网络中的深度增加至16至19层，可以有效改进分类效果。介绍卷积网络在大规模图片/视频分类任务中取得巨

weixin_34112900·2020-08-22 04:05

Deep Learning 33：读论文“Densely Connected Convolutional Networks”-------DenseNet 简单理解...

一.读前说明1.论文"DenselyConnectedConvolutionalNetworks"是现在为止效果最好的CNN架构,比Resnet还好,有必要学习一下它为什么效果这么好.2.代码地址：https://github.com/liuzhuang13/DenseNet3.这篇论文主要参考了HighwayNetworks，ResidualNetworks(ResNets)和GoogLeNet

weixin_30670925·2020-08-22 03:16

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-S CALE IMAGE RECOGNITION-论文笔记

VGG网络一、VGG网络概述：本文的主要贡献是利用3X3的卷积核，把神经网络发展成为16-19层的权重网络，相比AlexNet更加深。并在机器视觉领域取得一定的成功二、卷积层配置受到前人的启发，所有的卷积层配置按照相同的原则进行。2.1架构训练集上：输入层：224x224x3唯一的预处理是原图减去RGB图像上的均值；图像输入经过一大堆的3x3的步长为1的卷积核过后接2x2的步长为2的最大值池化层，

wawayang123·2020-08-22 03:11

Accurate Image Super-Resolution Using Very Deep Convolutional Networks阅读笔记

代码地址：在我的csdn首页资源里下载完全借鉴了kweisamx的代码，他的代码在复现原文的时候复现得非常棒，但是有2点问题，1.学习率自我调整；（作者其实也写了，只是注释掉了）2.测试结果只保存了最终的图图片，我认为还可以保存Bicbuic后的图片，以作对比。同时，我训练了两个模型，一个10层的一个20层的以作对比。但是我比较纳闷的是，生成的高清图像还是没有原始高清图像高清化，还望各位读者不吝赐

here-deep·2020-08-22 03:15

VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION

论文地址：点击打开链接翻译地址：点击打开链接代码以及一些注释地址：点击打开链接网络模型图：训练集预处理：1.S即裁剪后的图片长度有：256和384，选其中一个把短边压缩到s然后用是s*s的框随机裁剪2.s是裁剪后的图片长度在【256，512】之间，如果要裁剪的图片的长度不在范围内则进行裁剪，如果在范围内，则随机取一个值为s，然后进行裁剪文中说是在梯度下降的时候对每张图随机裁剪一张。基本配置：训练k

曉_寧·2020-08-22 03:47

Densely Connected Convolutional Networks

密集连接的卷积网络——DenseNet（解读）（原论文）摘要如果卷积网络包含接近输入的层和接近输出的层之间的较短连接（残差连接/跳过连接），则卷积网络可以更深，更准确，更有效。密集卷积网络（DenseNet），以前馈的方式将每一层连接到后面的每一层。而具有L层的传统卷积网络每层与其后续层之间的连接具有L个。DenseNet网络具有L(L+1)/2个直接连接。对于每个图层，所有前面图层的特征图用作输

肥羊汤·2020-08-22 03:08

Densely Connected Convolutional Networks(DenseNet)

读了一天终于把DenseNet这篇巨屌无比的文章读完了，为何说它厉害呢，因为它在很多方面超越了ResNet。大家知道，ResNet是何凯明大神15年的大作，它让深度学习的检测效果更上一层楼，后来很多的网络也都是在ResNet的基础上改进的。DenseNet是17年CVPR的BestPaper，那俩年后的这个新网络结构是怎样的，是如何超越ResNet，接下来我就一一道来。首先我先给一个图，让大家有一

Saber-alter·2020-08-22 03:19

论文阅读笔记：VGG：Very Deep Convolutional Networks

论文阅读笔记：VGG：VeryDeepConvolutionalNetworks论文下载地址：VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition本文主要包含如下内容：论文阅读笔记VGGVeryDeepConvolutionalNetworks主要思想网络结构实验结果论文来源于牛津大学visualgeometrygroup（VG

ProYH·2020-08-22 03:35

论文阅读笔记（九）：Densely Connected Convolutional Networks ( DenseNet )

__Sunshine__·2020-08-22 03:32

深度学习论文翻译解析（六）：MobileNets：Efficient Convolutional Neural Networks for Mobile Vision Appliications

论文标题：MobileNets：EfficientConvolutionalNeuralNetworksforMobileVisionAppliications论文作者：AndrewG.HowardMenglongZhuBoChen.....论文地址：https://arxiv.org/pdf/1704.04861.pdf（https://arxiv.org/abs/1704.04861）代码地址

胖子依然6·2020-08-22 03:42

《Densely Connected Convolutional Networks》论文阅读笔记

原文代码：https://github.com/liuzhuang13/DenseNetpytorch实现https://github.com/liuzhuang13/DenseNet/tree/master/models论文动机：在CNN中靠近输入、输出的层之间如果包含更短的连接，则CNN训练时会更高效、更准确；提出网络：DenseConvolutionalNetwork(DenseNet)；L

Selieyo·2020-08-22 03:05

论文理解《Dense crowd counting from still images with convolutional neural networks》

论文《Densecrowdcountingfromstillimageswithconvolutionalneuralnetworks》创新点：使用深度学习方法估计一张图片中中等、高度拥塞程度的人群；解决问题：人群计数算法的一些局限性：（1）当人群规模达到成百上千时，这些算法只能用来估计人群密度而不能计算人群总数；（2）通常依赖于人群视频中的时序，但是这点在静止的图片中是不适用的。人群没有定义好的

Selieyo·2020-08-22 03:05

【超分辨率】VDSR--Accurate Image Super-Resolution Using Very Deep Convolutional Networks

论文链接：https://arxiv.org/abs/1511.04587论文code:https://github.com/huangzehao/caffe-vdsr这篇文章通过stackfilters来获得一个比较大的感受野。最大达到41x41的感受野，在形式上，其实更有点像ResNet。通过一个global的residualconnect来解决加深网络而导致的梯度问题。本文认为Dong的SR

Shwan_Ma·2020-08-22 03:01

Very Deep Convolutional Networks for Large-Scale Image Recognition(精读)

一.文献名字和作者VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition.KarenSimonyan,AndrewZisserman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图像分类和定位的作用。四.文献的贡献点图像分类：作者通过实验发现，随着卷积层数的增加，卷积神经网络

shengno1·2020-08-22 03:54

VGG——Very deep convolutional networks for large-scale image recognition

1.摘要在使用非常小（3×3）的卷积核情况下，作者对逐渐增加网络的深度进行了全面的评估，通过设置网络层数达16-19层，最终效果取得了显著提升。2.介绍近来，卷积神经网络在大规模图像识别领域取得了巨大的成功，这一方面归功于大规模公开数据的出现，另一方面则是计算能力的提升。在AlexNet的基础上大家进行了很多的尝试来进行改进，一条线是在卷积层利用更小的感知窗口和更小的步长，另一条线则是在整张图片上

seniusen·2020-08-22 03:50

推荐频道

Convolutional

读书笔记21：MiCT: Mixed 3D/2D Convolutional Tube for Human Action Recognition（CVPR2018）

（DenseNet）Densely Connected Convolutional Networks论文阅读笔记

Toward Convolutional Blind Denoising of Real Photographs

Reading Note: Tiny SSD: A Tiny Single-shot Detection Deep Convolutional Neural Network for Real-time

【目标检测】FCOS: Fully Convolutional One-Stage Object Detection

【论文阅读笔记PCNN】Distant Supervision for Relation Extraction via Piecewise Convolutional Neural Networks

FCOS: Fully Convolutional One-Stage Object Detection论文笔记

Convolutional_Seq2Seq的环境搭建及训练

Pytorch框架，ResNet50，猫狗分类

论文阅读：Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks

Bag of Tricks for Image Classification with Convolutional Neural Networks阅读笔记

论文 Convolutional Networks for Images, Speech, and Time-Series

深层CNN的调参经验 | A practical theory for designing very deep convolutional neural networks

【深度学习实践】A practical theory for designing very deep convolutional neural networks-深度卷积神经网络的设计实践理论

Notes on Convolutional Neural Networks（阅读）

Image Super-Resolution Using Deep Convolutional Networks

论文阅读：DENSELY CONNECTED CONVOLUTIONAL NETWORKS

论文阅读-《Densely Connected Convolutional Networks》

Very Deep Convolutional Networks for Large-Scale Image Recognition 论文解读

Very deep convolutional networks for larage-scale image recognition

Densely Connected Convolutional Networks

Very deep convolutional networks for large-scale image recognition

（SRCNN）Image super-resolution using deep convolutional networks

【机器学习】卷积神经网络 CNN （Convolutional Neural Network）

Very Deep Convolutional Networks for Large-Scale Image Recognition（VGG）笔记

【网络结构】MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications论文解析...

【Network Architecture】Densely Connected Convolutional Networks 论文解析

Graph Convolutional Networks for Text Classification [阅读笔记]

【深度卷积神经网络的加速】Accelerating Very Deep Convolutional Networks for Classification and Detection

DenseNet：Densely Connected Convolutional Networks（论文阅读笔记）

翻译《R-FCN: Object Detection via Region-based Fully Convolutional Network》

论文解读| Very Deep Convolutional Networks for Large-Scale Image Recognition

论文阅读笔记：Densely Connected Convolutional Networks（DenseNet）

(2) [NeurIPS12] ImageNet Classification with Deep Convolutional Neural Networks

【论文阅读】Image Super-Resolution Using Deep Convolutional Networks

论文阅读笔记四十一：Very Deep Convolutional Networks For Large-Scale Image Recongnition（VGG ICLR2015）...

Deep Learning 33：读论文“Densely Connected Convolutional Networks”-------DenseNet 简单理解...

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-S CALE IMAGE RECOGNITION-论文笔记

Accurate Image Super-Resolution Using Very Deep Convolutional Networks阅读笔记

VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION

Densely Connected Convolutional Networks

Densely Connected Convolutional Networks(DenseNet)

论文阅读笔记：VGG：Very Deep Convolutional Networks

论文阅读笔记（九）：Densely Connected Convolutional Networks ( DenseNet )

深度学习论文翻译解析（六）：MobileNets：Efficient Convolutional Neural Networks for Mobile Vision Appliications

《Densely Connected Convolutional Networks》论文阅读笔记

论文理解《Dense crowd counting from still images with convolutional neural networks》

【超分辨率】VDSR--Accurate Image Super-Resolution Using Very Deep Convolutional Networks

Very Deep Convolutional Networks for Large-Scale Image Recognition(精读)

VGG——Very deep convolutional networks for large-scale image recognition