Convolutional 第32页

Visualizing and Understanding Convolutional Networks翻译总结

Zfnet论文：《VisualizingandUnderstandingConvolutionalNetworks》1.概述这篇论文主要的贡献是将卷及神经网络的隐藏层的特征进行可视化，后面通过可视化的展示来分析如何构建更好的网络结构。最后还描述了该网络中的每层对整体分类性能的贡献，还对了该模型在其他数据集上取得的成绩：仅仅是对softmax分类器重新训练，该模型击败了Caltech-101和Cal

穿越5极限·2020-08-18 18:20

CREST: Convolutional Residual Learning for Visual Tracking ---- 文献翻译理解

听我的错不了·2020-08-18 18:35

人脸关键点: DCNN-Deep Convolutional Network Cascade for Facial Point Detection

TensorSense·2020-08-18 17:47

使用CNN（convolutional neural nets）检测脸部关键点教程（五）:通过前训练（pre-train）训练专项网络

第九部分训练专项网络还记得在刚开始的时候我们丢掉的70%的训练数据吗？如果我们想要得到一个在Kaggle排行榜上有竞争力的成绩，那不是一个好主意。在70%的数据中，还有相当多的特征我们没有看到。所以改变之前只训练一个模型的方式，我们训练几个专项网络，每一个都可以预测不同的目标集合。我们训练一个模型预测left_eye_center和right_eye_center，另一个模型预测nose_tip…

Journey-Go·2020-08-18 16:56

《Deep Convolutional Network Cascade for Facial Point Detection》复现

1.引言锵锵锵，好久不见，我又肥来了，前一段时间上网找资料的时候偶然发现一篇关于人脸关键点检测的文章，应该说这篇论文是关键点检测的看山鼻祖，论文主页：http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm，一篇中文翻译的博客：基于DCNN的人脸特征点定位。我大概看了一遍发现这个论文的思路对我有很大的帮助，同时整体神经网络结构的搭建也不算太复杂，因

蜡笔小新丶不小心·2020-08-18 16:26

Visualizing and Understanding Convolutional Networks论文实现

文章目录核心代码实现运行结果本文对预先训练好的vgg16model,进行了反relu、反池化、反卷积，从而可视化vgg16的卷积过程。项目运行环境：win10+python2.7+cpupython库：numpy+chainer+matplotlib关于对论文的理解可参考：https://www.cnblogs.com/hellcat/p/7149348.html核心代码实现#n_activati

「已注销」·2020-08-18 15:17

Deep Convolutional Network Cascade for Facial Point Detection实践总结

测试代码：https://github.com/luoyetx/mini-caffe/tree/master（example中deeplandmark例子）训练代码：https://github.com/luoyetx/deep-landmark测试代码的配置参考：http://blog.csdn.net/xzzppp/article/details/68495341训练代码，在配置好GPU版本c

XZZPPP·2020-08-18 14:43

论文阅读-Visualizing and Understanding Convolutional Networks

作者:MatthewD.Zeiler来源:ECCV2014评价:ZF-Net,反卷积,卷积层可视化论文链接:PDF1ProblemThereisnoclearunderstandingofwhylargeconvolutionnetworkmodelsworksowell.2TheproposedmethodAnovelwaytovisualizetheacitivitywithinthemode

LuffysMan·2020-08-18 14:21

“看懂”卷积神经网(Visualizing and Understanding Convolutional Networks)

在所有深度网络中，卷积神经网和图像处理最为密切相关，卷积网在很多图片分类竞赛中都取得了很好的效果，但卷积网调参过程很不直观，很多时候都是碰运气。为此，卷积网发明者YannLeCun的得意门生MatthewZeiler在2013年专门写了一篇论文，阐述了如何用反卷积网络可视化整个卷积网络，并进行分析和调优。由于课题研究需要使用卷积网，本人凭自己的理解将该文翻译成了中文，内容没有严格对齐原文，水平有限

kklots·2020-08-18 13:20

论文学习笔记：CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes

CSRNet是2018年提出来的人群计数模型，其论文发表于CVPR会议。论文链接：CSRNetAbstract摘要我们提出了一个拥挤场景识别网络CSRNet，它提供了一种数据驱动的深度学习方法，可以理解高度拥挤的场景，进行精确的计数估计，并提供高质量的密度图。我们提出的CSRNet由两个主要部分组成：一个是作为二维特征提取的前端卷积神经网络（即模型中的前端网络frontend），另一个是用于后端的

绿柳山庄赵公子·2020-08-18 11:28

人群计数：MCNN--Single-Image Crowd Counting via Multi-Column Convolutional Neural Network

啃计数论文，第三篇。论文目标：在任意的静态图像，任意的相机视角和人群密度下进行准确的人群计数**论文三大贡献：ShanghaiTech数据集提出多列全卷积网络来计数，性能提高用1x1的卷积核来代替全连接，使得输入图片尺寸可以任意**RelatedWork基于检测：扫描一个视频序列中连续两帧来估计人群数量。该方法基于boostingappearanceandmotionfeatures。对于密集人群

目睹闰土刺猹的瓜·2020-08-18 06:10

深度学习爆发点AlexNet来源论文《ImageNet Classification with Deep Convolutional Neural Networks》读后总结

深度学习爆发点AlexNet来源论文《ImageNetClassificationwithDeepConvolutionalNeuralNetworks》读后总结前言文章主要内容与贡献大量的样本卷积和池化反向传播ReLU激活函数dropout数据增强GPU加速的实现AlexNet网络结构解析最后献上数值实验前言这是一些对于论文《ImageNetClassificationwithDeepConvo

geek12138_·2020-08-17 17:50

FastGCN： fast learning with graph convolutional networks via importance sampling 论文详解 ICLR 2018

文章目录1简单介绍概率测度probabilitymeasure自助法bootstrappingGCN面临的两个挑战解决思路（创新点）2相关工作3通过采样进行训练和推理定理13.1variancereduction方差缩减Proposition2（命题2）定理3命题43.2Inference推理3.2和GraphSAGE的对比4实验Benchmark数据集实验细节FastGCN中采样的使用FastG

yyl424525·2020-08-17 17:49

【Imagenet LSVRC系列模型】VGGnet-2014 Very deep convolutional networks for large-scale image recognition

SimonyanK,ZissermanA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition[J].arXivpreprintarXiv:1409.1556,2014.2014年ImageNet图像分类第二名，物体检测第一名。论文主要贡献：1：分别训练了深度从11-19的ABCDE五个网络模型（图1），探究了深度对CNN效果的影响

wy23333·2020-08-17 17:28

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

论文地址：VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition前言VGG模型在ILSVRC2014上大放异彩，虽然从VGG的诞生到现在已经2年多，但是它依然是目前最热门的模型网络之一。它最大的贡献是，将深度学习从AlexNet的时代推入到deepermodel的时代，第一次将模型深度提高到16层以上（当然还有同年的GoogLeNet

小时候贼聪明·2020-08-17 17:17

DenseNet论文详解：《Densely Connected Convolutional Networks》

写在前面：大家好！我是【AI菌】，一枚爱弹吉他的程序员。我热爱AI、热爱分享、热爱开源！这博客是我对学习的一点总结与思考。如果您也对深度学习、机器视觉、算法、Python、C++感兴趣，可以关注我的动态，我们一起学习，一起进步~我的博客地址为：【AI菌】的博客我的Github项目地址是：【AI菌】的Github资源传送门：论文原文下载地址：《DenselyConnectedConvolut

AI 菌·2020-08-17 17:01

【论文阅读笔记】Simple and Deep Graph Convolutional Networks

【论文阅读笔记】SimpleandDeepGraphConvolutionalNetworks1.论文地址：2.摘要：3.简介：3.1图卷积神经网络：3.2传统GCN的局限性：3.3一些解决方案：3.4本文的方案：4.相关研究：4.1符号表示：4.2GCN：5.GCNII模型：5.1模型简介：5.2初始残差连接：5.3恒等映射：5.4迭代收缩阈值：6.实验结果：1.论文地址：论文：https://

Memory逆光·2020-08-17 17:16

卷积神经网络-Deformable Convolutional可变形卷积详解[下]

个人微信公众号：AI研习图书馆，欢迎关注~深度学习知识及资源分享，学习交流，共同进步~AI研习图书馆，发现不一样的世界DeformableConvolutional——可变形卷积在深度学习的计算机视觉任务中，如果使用可变形卷积，则可以显著提升FasterR-CNN和R-FCN等算法在物体检测和分割上的性能。只需要增加很少的计算量，就可以得到性能的提升，DeformableConvolutional

算法之美DL·2020-08-17 17:25

2016Single-Image Crowd Counting via Multi-Column Convolutional Neural Network论文笔记

Abstract1.单张图片、任意人群密度、任意视角2.提出MCNN网络将图片映射到人群密度图3.输入图片任意大小、任意分辨率，利用不同尺寸的感受野适应视角影响、图片任意分辨率。4.基于几何自适应核计算密度图（改进密度图）1.IntroductionRelatedwork别人的方法1.较早的方法：帧间探测器detector，基于外表、运动特征缺点：遮挡严重、人群密集不适用。2.簇轨迹，基于跟踪视觉

llacyyp·2020-08-17 16:18

《Large-Scale Learnable Graph Convolutional Networks》论文理解

1.LGCL算法框架使得卷积神经神经网络无法直接应用于图数据的原因主要有两个：（1）图数据没有固定数量的领域节点；（2）图数据的节点没有显式或者隐式的顺序；在LGCL算法中，作者通过k-最大节点选择部分确定图数据的邻域节点以及领域节点的顺序;通过1-D卷积神经网络将节点的邻域信息进行卷积形式的信息聚合得到输出。下图为LGCL的算法流程图。2.k-最大节点选择k-最大节点选择的主要目的就是将图结构数

monster.YC·2020-08-17 16:12

MCCN算法：Single-Image Crowd Counting via Multi-Column Convolutional Neural Network

论文：《Single-ImageCrowdCountingviaMulti-ColumnConvolutionalNeuralNetwork》原文链接：论文原文链接前言作者提出的方法希望可以准确地估计任意人群密度和任意视角的单张图片。因此设计了一种多列卷积神经网络结构。提出的方法可以允许任意尺寸和分辨率的图片。利用不同尺寸滤波器的感受野，每列CNN能够适应由于视角或图像分辨率造成的人或头部的尺寸变

酉意铭·2020-08-17 16:57

论文笔记：Recurrent Convolutional Neural Networks for Text Classification

1Abstract文本分类是NLP的一项重要的基础任务。传统的文本分类需要特征工程，需要人类参与。而深度学习能够自动提取特征不需要人的参与。本文采用周期循环神经网络比卷积神经网络能够更加减少噪声，利用最大池化层选取一句话中最重要的特征。首先在学习词的表达的时候，采用双向循环结构获取文本信息，比传统的基于窗口的神经网络更能减少噪声，而且在学习文本表达时可以大范围的保留词序。其次使用最大池化层获取文本

vivian_ll·2020-08-17 15:18

图像风格迁移-Image Style Transfer Using Convolutional Neural Networks

论文：ImageStyleTransferUsingConvolutionalNeuralNetworks论文链接图像风格迁移最近两年比较火，看起来也比较有趣，所以这两天闲暇时候看了一些文章了解了下其中的原理，特来分享，如果你也对图像风格迁移感兴趣，不妨来看一看这篇博文。本篇博文要介绍的是2016年的CVPR论文，该文章用CNN网络来做图像风格迁移，作者是Gatys。Gatys在2015年的时候就

AI之路·2020-08-17 15:30

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 网络主要部分梳理和网络应用

一.模型介绍成果出处和主要成果《VeryDeepConvolutionalNetworksForLarge-ScaleImageRecognition》文章出自牛津大学RoboticsReSearchGroup团队，在2014ILSVRC(ImageNetLargeScaleVisualRecognitionCompetition)竞赛中团队在localisation目标定位和classifica

诸峰之巅·2020-08-17 15:05

论文DenseNet（Densely Connected Convolutional Networks）解读

论文地址：arxiv-paper实现代码：githubIntroductionDenseNet在ResNet的基础上(ResNet介绍)，进一步扩展网络连接，**对于网络的任意一层，该层前面所有层的featuremap都是这层的输入，该层的featuremap是后面所有层的输入。**示意图如下:原本LLL层的网络有LLL个连接，现在LLL层的网络共有CL+12=L(L+1)2C_{L+1}^2=\

DFann·2020-08-17 15:00

Deep learning学习笔记(2)：Visualizing and Understanding Convolutional Networks(ZF-net)

referencelink:http://blog.csdn.net/whiteinblue/article/details/43312059本文是MatthewD.Zeiler和RobFergus于（纽约大学）13年撰写的论文，主要通过Deconvnet（反卷积）来可视化卷积网络，来理解卷积网络，并调整卷积网络；本文通过Deconvnet技术，可视化Alex-net，并指出了Alex-net的一

Alanyannick·2020-08-17 15:21

VGG-16、VGG-19(论文阅读《Very Deep Convolutional NetWorks for Large-Scale Image Recognition》)

论文阅读《VeryDeepConvolutionalNetWorksforLarge-ScaleImageRecognition》介绍这是卷积神经网络发展的一些主要网络LeNet（3个卷积层+2个降采样层+1个全连接层）CNN雏形AlexNet（5个卷积层+3个全连接层+1个softmax层本文所讨论的VGG就是基于LeNet、AlexNet提出的更深的卷积神经网络VGG主要采用增加卷积层的方法来

zz_走走停停·2020-08-17 15:19

使用CNN（convolutional neural nets）检测脸部关键点教程（二）:浅层网络训练和测试

第三部分第一个模型：一个隐层结构的传统神经网络这一部分让我们从代码开始：#addtokfkd.pyfromlasagneimportlayersfromlasagne.updatesimportnesterov_momentumfromnolearn.lasagneimportNeuralNetnet1=NeuralNet(layers=[#threelayers:onehiddenlayer('

Journey-Go·2020-08-17 15:18

VGG论文(Very Deep Convolutional NetWorks for Large-Scale Image Recognition) 学习笔记

这个笔记是对2014年VGG网络《VeryDeepConvolutionalNetWorksforLarge-ScaleImageRecognition》一些笔记。笔记按照文章的结构来做的。论文下载地址http://arxiv.org/pdf/1409.1556v6.pdf1.引言自2012年AlexNet神经网络引起大量的关注之后,大量的研究者在尝试着对它进行改进,如:在第1个卷积层中,使用更小

zhan建州·2020-08-17 15:44

AlexNet--结构分析

1、caffeNet与AlexNet结构区别:norm1，pool1，以及norm2，pool2互换了顺序1.基本结构a.共有8层，其中前5层convolutional，后边3层full-connected

sinat_16985427·2020-08-17 15:31

自注意机制论文学习: On the Relationship between Self-Attention and Convolutional Layers

背景transformer的提出对NLP领域的研究有很大的促进作用，得益于attention机制，特别是self-attention，就有研究学者将attention/self-attention机制引入计算机视觉领域中，也取得了不错的效果[1][2]。该论文[4]侧重于从理论和实验去验证self-attention[3]可以代替卷积网络独立进行类似卷积的操作，给self-attention在图像

田田天天甜甜·2020-08-17 14:56

Densely connected convolutional networks（密集连接的卷积网络）

本文是CVPR2017论文Denselyconnectedconvolutionalnetworks.的翻译学习，因为作者本人水平有限，如有不准确的地方还望读者不吝赐教。摘要最近的工作表明，卷积网络如果在靠近输入的层和靠近输出的层之间包含较短的连接，就可以更深入，更准确，更有效地进行训练。我们认同这个观察结果，并引入密集卷积网络（DenseNet），该网络以前馈的方式将每一层连接到其他每一层。传统

假装很坏的谦谦君·2020-08-17 14:11

AlexNet论文详解

原文地址：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

DUT_jiawen·2020-08-17 14:10

卷积层提速:Design of Efficient Convolutional Layers

学习depthwise卷积时看的一篇文章，简要记录Wang,Min,BaoyuanLiu,andHassanForoosh.“DesignofEfficientConvolutionalLayersusingSingleIntra-channelConvolution,TopologicalSubdivisioningandSpatial“Bottleneck”Structure.”arXiv:1

坚硬果壳_·2020-08-17 14:32

yolov--7--解决报错:/bin/sh: 1: nvcc: not found make: *** [obj/convolutional_kernels.o] Error 127

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU)Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRTYolov--3--TensorRT中yolov3性能优化加速（基于caffe）yolov-5-目标检测：YOLOv2算法原理详解yolov--8--Tensorflow实现YOLOv3yolov--9--YOLOv3的剪枝优化y

hy-lscj·2020-08-17 14:58

论文笔记：Multi-Label Image Recognition with Graph Convolutional Networks

论文：Multi-LabelImageRecognitionwithGraphConvolutionalNetworks通过data-driven方式建立有向图用于描述标签之间的关联关系，提出了基于图卷积（GCN）的端到端多标签分类系统。通过ResNet101对图像进行特征提取，通过GCN学习到标签映射作为标签分类器对图像的特征向量进行分类。1、Introduction对于多标签分类而言，最简单的

锋大大·2020-08-17 14:18

VGG(very deep convolutional networks for large-scale image recognition)

论文：https://arxiv.org/pdf/1409.1556.pdf摘要：论文探索了卷积网络深度在大量图像重建任务中的精度，论文的主要贡献是使用一个3x3的卷积层，16-19权重层下的网络在图像任务中取得非常成功的成果。介绍：论文介绍了一堆其他研究者的工作，这里不再赘述。论文修整了卷积网络结构的参数，使用3x3的卷积层增加了网络的深度，添加了更多的卷积网络层。卷积结构：论文使用3x3卷积层

奔跑的林小川·2020-08-17 13:37

经典论文阅读《VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION》简短阅读笔记

本论文提出了大名鼎鼎的VGG网络结构。关键要点如下所示：2个stacked3*3卷积的作用（中间没有poolinglayer）的感受野和5*5的卷积的感受野一样;3个stacked3*3卷积的作用（中间没有poolinglayer）的感受野和7*7的感受野一样；那么本论文中提出的采用3*3的卷积的作用在于以下两点：1、makethedecisionfunctionmorediscriminativ

liqiming100·2020-08-17 13:37

[ZFNet论文阅读] Visualizing and Understanding Convolutional Networks

论文地址：VisualizingandUnderstandingConvolutionalNetworks概述1.提出通过可视化featuremap的方法来“诊断”网络，并提出比Alexnet更好的网络结构。2.具体的可视化方法是用不参与训练的反卷积来将featuremap还原到原图大小，如果是maxpooling操作，还需要在前馈时记录最大值的位置，unpooling的时候还原到最大值上。3.通

lengyuenanfeng·2020-08-17 13:17

卷积神经网络(tf.layers / estimator api)使用TensorFlow'layers'和'estimator'API构建卷积神经网络以对MNIST数字数据集进行分类。

代码来源：convolutional_network.pyfromtensorflow.examples.tutorials.mnistimportinput_datamnist=input_data.read_data_sets

enjoypiker·2020-08-17 12:38

CNN autoencoder 进行异常检测——TODO，使用keras进行测试

https://sefiks.com/2018/03/23/convolutional-autoencoder-clustering-images-with-neural-networks/https:

djph26741·2020-08-17 12:23

图像风格转移（译文）Image Style Transfer Using Convolutional Neural Networks

前半部分自己翻译，后半部分参考：https://blog.csdn.net/stdcoutzyx/article/details/53771471摘要不同风格图像语义内容的绘制是图像处理的难点。可以说，以前方法的一个主要限制因素是缺乏显式表示语义信息的图像表示，因此不能将图像内容与样式分离。本文利用卷积神经网络优化后的图像表示方法进行目标识别，使高层次的图像信息更加清晰。介绍了一种艺术风格的神经算

a64506青竹·2020-08-17 11:21

【论文笔记】Single-Image Crowd Counting via Multi-Column Convolutional Neural Network

Single-ImageCrowdCountingviaMulti-ColumnConvolutionalNeuralNetwork是CVPR2016的一篇论文。Abstract本文旨在开发一种方法，该方法可以从具有任意人群密度和任意角度的单个图像准确估计人群数量。为此，我们提出了一种简单高效的多列卷积神经网（MCNN）架构，以预测人群密度图。MCNN允许输入图像具有任意大小或分辨率。通过利用具有

Tra_cy·2020-08-17 11:13

CNN学习笔记

基于CS231N的学习整理：http://cs231n.github.io/convolutional-networks/卷积神经网络（CNN）与神经网络相比的优势：1.输入的是图片2.减少网络中的参数数量

RRWJ__·2020-08-17 11:39

论文笔记：Densely Connected Convolutional Networks

DenseBlock:每一层只增加k=4个featuremap然后跟前面的所有concat，再BN-->ReLU-->Conv（一般k=12）整体结构：DenseBlock之间是Conv和PoolingBottlenecklayers:尽管每次只增加k个，但是到后来还是很大，所以,采用Bottleneck，即BN-ReLU-Conv变成BN-ReLU-Conv(1×1)-BN-ReLU-Conv(

这题我会啊·2020-08-17 11:07

图像分类经典卷积神经网络—VGGNet论文翻译（纯中文版）—用于大规模图像识别的深度卷积网络（Very Deep Convolutional Networks for Large-Scale Ima）

图像分类经典论文翻译汇总：[翻译汇总]翻译pdf文件下载：[下载地址]此版为纯中文版，中英文对照版请稳步：[VGGNet中英文对照版]VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition用于大规模图像识别的深度卷积网络KarenSimonyan[*]&AndrewZisserman[†]VisualGeometryGroup,Dep

bigcindy·2020-08-17 11:23

吴恩达深度学习系列--卷积神经网络(Convolutional Neural Networks)-01

1.1计算机视觉(Computervision)略1.2边缘检测示例(Edgedetectionexample)-卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例。以下图作为示例：在这个例子中，图片太小了。如果你用一个1000×1000的图像，而不是6×6的图片，你会发现其会很好地检测出图像中的垂直边缘。在这个例子中，在输出图像中间的亮处，表示在图像中间有一个特别明显的垂直边缘。从

骚火棍·2020-08-17 11:58

DenseNet来源论文《Densely Connected Convolutional Networks》读后总结

DenseNet来源论文《DenselyConnectedConvolutionalNetworks》读后总结）前言文章主要内容与贡献设计了密集卷积网络(DenseConvolutionalNetwork,DenseNet)使用了瓶颈层(Bottlenecklayers)和压缩(Compression)技术瓶颈层(Bottlenecklayers)压缩(Compression)技术数值结果前言这是

geek12138_·2020-08-17 11:24

Very Deep Convolutional Networks For Large-Scale Image Recognition论文翻译总结

VGGnet论文：《VeryDeepConvolutionalNetworksForLarge-ScaleImageRecognition》1.概述本文是牛津大学visualgeometrygroup（VGG）KarenSimonyan和AndrewZisserman于2014年撰写的论文，主要探讨了网络深度对于网络的重要性，建立了16-19层的深度网络获得了Imagenet分类的冠军。2.网络架

穿越5极限·2020-08-17 11:18

Recognizing Chinese Texts with 3D convolutional neural network论文阅读

摘要本文提出了一种利用三维卷积神经网络对带有广告牌和道路标记的场景中的中文文本进行定位和识别的深度学习系统。该系统采用YOLO检测目标位置，利用三维卷积神经网络进行内容识别。该设计比现有的基于LSTM的设计具有更好的实时性，可以在嵌入式平台上实现。在配备了鱼眼摄像头的自动驾驶汽车上，该系统在鸟瞰道路标志上识别中文文本的准确率达到90%以上。另外实验证明该系统的执行速度对于自动驾驶应用已经足够快了。

光明顶上的5G·2020-08-17 10:58

推荐频道

Convolutional