Convolutional

论文学习18“Real-time image reconstruction for low-dose CT using deep convolutional generative adversa...

本文是采用去噪的思想，FCN网络作为去噪的生成器，再加上判别器和IRIMAGE的损失，形成网络的学习模式，完成去噪的功能。X域是LDCT，Y域是无噪声的CT，G作用就是完成X到Y的转换。作者为这个模型定义了三个损失函数，第一个是生成器的去噪损失。噪声CT图像可以定义为去噪后的图像加上噪声两部分：，假设图像各像素之间独立同分布，那么，作者定义了去噪后的图像和原始图像x之间的平方差为：所以第一个关于G
Carrie_Hou·2023-04-20 17:16

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

文章目录总结细节变种实验总结通过拆解cnn的卷积核（用depth-wise和1x1的卷积核来代替原先卷积核），减小计算cost细节为了在效果和资源之间tradeoff的模型普通的cnn，输入是DF×DF×MD_F\timesD_F\timesMDF×DF×M（其中DFD_FDF是图像的height、width，MMM是inputchannel/inputdepth），输出是DG×DG×ND_G\t
KpLn_HJL·2023-04-20 01:28

[PED10]Invariance and Stability of Deep Convolutional Representations

AlbertoBietti,JulienMairal1.论文通过构造一个多层的深度卷积核网络，并且研究对应的再生核希尔伯特空间的几何结构，来研究深度信号表示的平移不变性以及微分同胚作用的稳定性，既不会丢失信号的信息。2.首先定义了连续域空间中的信号的操作，patchextraction、kernelmap、linearpooling。然后进行离散化，并且说明了了离散信号通过这些操作可以进行信号的保
张小甜甜·2023-04-18 16:40

Densely Connected Convolutional Networks（引言翻译（有选择性））

翻译得有可能会不太专业，望见谅的同时，如果有些地方翻译错了，欢迎批评指正！asinformationabouttheinputorgradientpassesthroughmanylayers,itcanvanishand"washout"bythetimeitreachestheend(orbeginning)ofthenetwork.当有关输入或梯度传递的信息通过许多层时，当它到达网络的末端（
：）�东东要拼命·2023-04-18 06:14

cvpr2018 Learning Dual Convolutional Neural Networks for Low-Level Vision

Abstract在本文中，我们提出了一种用于低级视觉问题的通用双卷积神经网络（DualCNN），例如超分辨率，边缘保留滤波，去除和去雾。这些问题通常涉及估计目标信号的两个组成部分：结构和细节。受此启发，我们提出的DualCNN由两个并行分支组成，它们分别以端到端的方式恢复结构和细节。恢复的结构和细节可以根据每个特定应用的形成模型生成目标信号。DualCNN是一个灵活的低级视觉任务框架，可以很容易地
风之羁绊·2023-04-17 01:19

《MixHop Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing》阅读笔记

一.论文概述之前的GCN及其后续工作在图卷积过程中，仅聚合自己的1-hop邻居的消息。作者指出可以将聚合扩大到不同距离的邻居，并基于该idea提出了MixHop，该模型能在不增加额外内存和计算复杂性的同时，生产更加表达能力的节点表示。实验结果表明作者设计的MixHop是有效的。二.MixHop架构Two-hopDeltaOperator：给定任意邻接矩阵A^\widehat{A}A，特征XXX和激
斯曦巍峨·2023-04-17 01:28

【iclr2023】DESIGNING BERT FOR CONVOLUTIONAL NETWORKS: SPARSE AND HIERARCHICAL MASKED MODELING

论文&代码&Notable-top-25%摘要我们发现并攻克了将BERT-style预训练或者图像mask建模应用到CNN中的两个关键障碍：1）CNN不能处理不规则的、随机的掩码输入图像；2）BERT预训练的单尺度性质与convnet的层次结构不一致对于第一点，我们将没有被mask掉的像素点视作为3d点云（点云是一种方便的3D表达方式）的稀疏体素；使用sparseCNN进行编码，这是sparseC
lynn_Dai·2023-04-17 00:07

(FCN)-Fully Convolutional Networks for Semantic Segmentation

文章目录FullyConvolutionalNetworksforSemanticSegmentation摘要全局信息和局部信息感受野FCN算法架构训练技巧详细参考FullyConvolutionalNetworksforSemanticSegmentation摘要卷积网络在计算机视觉领域是一个强有力的工具。我们证明了经过端到端、像素到像素训练的卷积网络超过了语义分割中最先进的技术。我们的核心思想
Flamingo_NJ·2023-04-16 06:19

论文精读：FCN：Fully Convolutional Networks for Semantic Segmentation

Abstract卷积网络是一种能够产生特征层次结构的功能强大的视觉模型。我们表明，卷积网络本身，训练端到端，像素到像素，超过了最先进的语义分割。我们的关键见解是建立“fullyconvolutional”网络，该网络接受任意大小的输入，并通过有效的推理和学习产生相应大小的输出。我们定义并详细描述了全卷积网络的空间，解释了它们在空间密集的预测任务中的应用，并与之前的模型建立了联系。我们将当代分类网络
樱花的浪漫·2023-04-16 06:16

论文笔记：Fully Convolutional Networks for Semantic Segmentation（FCN）

一、基本信息标题：FullyConvolutionalNetworksforSemanticSegmentation时间：2015出版源：CVPR论文领域：计算机视觉、CNN、FCN、语义分割引用格式：Long,J.,Shelhamer,E.,&Darrell,T.(2015).Fullyconvolutionalnetworksforsemanticsegmentation.InProceedi
snoopy_21·2023-04-16 06:46

【论文阅读】Fully convolutional networks for semantic segmentation

LongJ,ShelhamerE,DarrellT.Fullyconvolutionalnetworksforsemanticsegmentation[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2015:3431-3440.核心思想：接受任意大小的输入并通过有效的推理和学习产生相应大小的输出“的“
w-here·2023-04-16 06:14

Fully Convolutional Networks for Semantic Segmentation(FCN)论文翻译

《FullyConvolutionalNetworksforSemanticSegmentation》作者：JonathanLong，EvanShelhamer，TrevorDarrell目录《FullyConvolutionalNetworksforSemanticSegmentation》摘要1.引言2.相关工作3.完全卷积网络3.1调整分类器以进行密集预测3.2Shift-and-stitc
RealWeakCoder·2023-04-16 06:43

FCN（Fully Convolutional Networks for Semantic Segmentation）全文翻译

本人计算机研一小白，最近再看语义分割的相关论文，看到这篇文章被誉为语义分割的开山之作，于是花了两周对全文进行了翻译。文章有不对之处，敬请各位批评指正。用于语义分割的全卷积网络摘要卷积网络是一种能够生成特征层次结构的，强大的视觉模型。我们通过训练端到端，像素到像素来展示卷积网络本身，这胜过了语义分割最先进的技术。我们的关键点在于构建“完全卷积”网络，它可以接受任意大小的输入，并通过高效的推理和学习产
人还未醒·2023-04-16 06:11

论文笔记：Fully Convolutional Networks for Semantic Segmentation

摘要卷积网络是产生特征层次结构的强大视觉模型。我们展示了卷积网络本身，经过端到端、像素到像素的训练，超过了语义分割的最新技术水平。我们的主要见解是构建“全卷积”网络，该网络接受任意大小的输入并通过有效的推理和学习产生相应大小的输出。我们定义并详细说明了全卷积网络的空间，解释了它们在空间密集预测任务中的应用，并绘制了与先前模型的联系。我们将当代分类网络（AlexNet、VGG网络和GoogLeNet
城南皮卡丘·2023-04-16 06:40

【论文笔记】Deformable Convolutional Networks

1.介绍1.1.提出DCN的原因卷积神经网络（CNNs）由于其固定几何结构局限了模型几何变换。1.2.本文核心贡献：提出了两种新模块deformableconvolution和deformableRoIpooling第一种是可变形卷积。它将2D偏移添加到标准卷积中的规则网格采样位置。它使采样网格能够自由变形。偏移是通过附加的卷积层从前面的特征图中学习的。因此，变形以局部、密集和自适应的方式以输入特
weixin_50862344·2023-04-15 15:38

### 论文精读——An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recogniti

论文精读——IIP-Transformer:Intra-Inter-PartTransformerforSkeleton-BasedActionRecognition近期在做基于关键点的人体动作识别研究，调研了几篇基于transformer架构的skeletonbasedactionrecognition方面的文章，并且进行一个精读。其中选取的一篇论文题为：IIP-Transformer:Intr
Jason_____Wang·2023-04-15 03:10

菜鸟笔记之《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》

本文作者来自斯坦福，都是大牛呀。这是一篇难得的GCN大型网络应用类的文章。再提一句，斯坦福在网络计算，社交网络，graphembedding领域很厉害，有自己的主页，公开了很多数据集合。不过很遗憾，这篇文章既没有公开数据，也没有公开代码。猜想可能是由于和Pinterest公司合作，涉及商业数据以及数据量高达十几T的原因。说实话，这篇文章的实验部分没有看懂，涉及到MapReduce并行计算多GPU单
mying_三丘·2023-04-13 18:25

[论文笔记]Rethinking Graph Convolutional Networks in Knowledge Graph Completion

摘要许多基于GCN的KGC模型增加了额外的计算复杂度，但效果并未提高。通过实验观察到，GCN中的图结构建模对KGC模型的性能没有显着影响，这与普遍看法相反。相反，实体表示的转换提供了性能改进。引言在KGC任务中，GCN和KGE模型分别充当encoder和decoder。值得注意的是，与仅聚合来自邻居节点信息的经典GCN不同，KGC中的GCN考虑了知识图中的边（关系）。这些结果表明，对于KGC任务来
Yulki·2023-04-13 03:02

Thorax Disease Classification with Attention Guided Convolutional Neural Network（未）

未完原因：实验总结不详细Abstract本文考虑了在chestX-ray(CXR)图像上诊断胸部疾病的任务。大多数现有的方法通常学习以全局图像作为输入的网络。然而，由于疾病的特异性，胸部疾病通常发生在（小）局部区域。因此，使用全局图像训练CNN可能会收到（过多）无关噪声区域的影响。此外，由于某些CXR图像对齐不良，不规则边界的存在阻碍了网络性能。为了解决上述问题，我们建议将全局和局部线索集成到一个
Nice25·2023-04-12 18:19

读《Finger Vein Recognition Using a Shallow Convolutional Neural Network》

2021摘要基于深度学习的手指静脉识别(FVR)可以分为闭集架构（CS架构）或基于系统输出的开集架构（OS架构）。cs体系结构由于其封闭性，其实用性有限，而os体系结构由于其收敛性具有挑战性，其泛化能力有限（那不就是都不实用了？）为了提高基于深度学习的FVR的实用性和性能，我们基于观察人脸识别与FVR之间的差异，假设浅层卷积神经网络适用于FVR。因此，我们设计了一个具有三个卷积块和两个完全连接层的
Mighty_Crane·2023-04-11 14:38

ECM技术学习：卷积跨分量帧内预测模型（Convolutional cross-component intra prediction model）

卷积交叉分量模型（convolutionalcross-componentmodel，CCCM）基本思想和CCLM模式类似，建立亮度和色度之间模型实现从亮度重建像素预测色度像素。和CCLM一样，预测色度像素前，需要对亮度重建块进行下采样，以匹配色度块尺寸。此外，与CCLM类似，可以选择使用CCCM的单模型或多模型变体。多模型变体使用两个模型，一个模型用于高于平均亮度参考值的样本，另一个模型用于其余
涵小呆·2023-04-10 09:23

SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking

本译文为了方便自我阅读，有能力请阅读原版：https://arxiv.org/abs/1911.07241摘要通过将视觉跟踪任务分解为两个子问题，分别是像素类别的分类和该像素处对象边界框的回归，提出了一种新的全卷积孪生网络，以逐像素的方式解决端到端的视觉跟踪问题。该框架由两个简单的子网组成：一个用于特征提取的孪生子网和一个用于边界框预测的分类回归子网。SiamCAR采用在线训练和离线跟踪的策略，在
小左先生·2023-04-09 07:02

【视频显著性检测】Video Salient Object Detection via Fully Convolutional Networks【论文笔记】

论文链接这篇论文非常有意思，不仅仅在于显著性，而在于数据集的生成。本文主要内容：一、提出使用神经网络做动态视觉显著性检测二、提出一种人工合成视频数据的方法。★★★★★三、在数据集上state-of-the-art，且速度更快。网络结构网络结构如图，输入单张图片经过全卷积网络输出得到静态显著性检测图，然后与下一帧的帧对结合，输入动态的全卷积网络得到最终的显著性检测图。网络结构非常清晰。视频数据的合成
千草幽幽·2023-04-09 01:27

M-net: A Convolutional Neural Network for deep brain structure segmentation

论文链接：M-net:AConvolutionalNeuralNetworkfordeepbrainstructuresegmentation|IEEEConferencePublication|IEEEXplore摘要：M-net:端到端可训练卷积神经网络(CNN)架构用途：从磁共振图像(MRI)中分割深度(人类)大脑结构M-net操作的是3D数据，但它只使用了2D卷积—>提高效率实验指标是骰子
白兔1205·2023-04-09 01:09

【论文阅读】“Attention-Based Two-Stream Convolutional Networks for Face Spoofing Detection”

论文阅读：“Attention-BasedTwo-StreamConvolutionalNetworksforFaceSpoofingDetection”论文地址：https://ieeexplore.ieee.org/document/87379492020期刊TIFS发的论文本文针对的问题：对不同拍摄设备、光照下的数据集，faceanti-spoofing的性能差距较大目的：提出一个CNN，能
LLL319·2023-04-08 16:49

CBAM: Convolutional Block Attention Module—— channel attention + spatial attention

影响卷积神经网络的几大因素：Depth:VGG,ResNetWidth:GoogLeNetCardinality:Xception,ResNeXtAttention：channelattention,spatialattentionAttention在人类感知系统中扮演了重要角色，人类视觉系统的一大重要性质是人类并不是试图一次处理完整个场景，与此相反，为了更好地捕捉视觉结构，人类利用一系列的局部瞥
佛系调参·2023-04-08 12:45

【论文解读】用于卷积神经网络的注意力机制(Attention)----CBAM: Convolutional Block Attention Module

论文：CBAM:ConvolutionalBlockAttentionModule收录于：ECCV2018摘要论文提出了ConvolutionalBlockAttentionModule(CBAM)，这是一种为卷积神将网络设计的，简单有效的注意力模块(AttentionModule)。对于卷积神经网络生成的featuremap，CBAM从通道和空间两个维度计算featuremap的attentio
liyonghong·2023-04-08 07:20

PyTorch Geometric 实现简易 Graph Convolutional Networks (GCN)

本文介绍如何使用PyTorchGeometric搭建一个简易的GraphConvolutionalNetworks(GCN)实例。我们将使用PyTorchGeometric库来定义一些图层，使用Cora数据集进行训练和测试。导入相关库importtorchimporttorch.nn.functionalasFimporttorch.nnasnnimporttorch_geometric.nnas
�SamSam·2023-04-08 00:35

图与推荐[2] - Graph Convolutional Networks (Pytorch)

AReview:GraphConvolutionalNetworks(GCN)Introduction1.1Graphs我们在跟谁开玩笑！如果您知道什么是图形，则可以跳过此部分。如果您在这里并且没有跳过本节，那么，我们假设您是一个完整的初学者，您可能需要非常仔细地阅读所有内容。我们可以将图形定义为以有组织的方式表示数据的图片。让我们深入研究应用图论。图（有向或无向）由一组由V表示的顶点（或节点）和
ZhuNian的学习乐园·2023-04-08 00:04

【论文笔记·RL】Traffic Signal Control Based on Reinforcement Learning with Graph Convolutional Neural Nets

TrafficSignalControlBasedonReinforcementLearningwithGraphConvolutionalNeuralNets摘要之前的强化学习方法都是用的是标准的神经网络，如卷积神经网络，来处理高维特征空间。而但对于多个交叉路口的交通网络，需要手动创建道路间的几何特征。文章采用了图卷积神经网络GCNN，通过多个神经网络层的叠加，自动提取距离较远的道路交通特征。在
lokol.·2023-04-07 09:37

菜鸟笔记之《FASTGCN: FAST LEARNING WITH GRAPH CONVOLUTIONAL NETWORKS VIA IMPORTANCE SAMPLING》

今天分享的这篇文章，出自ibm，之前对ibm的印象是做硬件的，没想到在人工智能的浪潮中，他依旧是一个强劲的弄潮儿。这篇论文提出的FastGCN,是建立在原始GCN基础之上的一种基于概率测度下embedding函数的积分变换视角，通过重要性采样实现的高效算法。本文将从模型原理和实验两方面对这篇论文进行介绍。一般认为，基于图的卷积神经网络模型来自于两个方面，一方面是谱图理论，一方面是表征学习，如nod
mying_三丘·2023-04-06 12:51

GANs学习系列(8)：Deep Convolutional Generative Adversarial Nerworks，DCGAN

【前言】本文首先介绍生成式模型，然后着重梳理生成式模型（GenerativeModels）中生成对抗网络（GenerativeAdversarialNetwork）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。本文涉及的论文有：GoodfellowIan,Pouget-Abadi
c2a2o2·2023-04-06 11:32

【论文阅读】Gradient Guided Image Deblocking Using Convolutional Neural Networks的详解

论文：GradientGuidedImageDeblockingUsingConvolutionalNeuralNetworks作者：CheolkonJung年份：2019年期刊：ACMMultimediaAsia文章目录摘要1介绍2提出的方法2.1网络结构2.2GradientInferenceNetwork2.3ImageInferenceNetwork3实验结果3.1准备3.2研究3.3比较
一个双子座的洁宝·2023-04-05 21:50

AlexNet（ImageNet Classification with Deep Convolutional Neural Networks）网络详解

一.前言AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生AlexKrizhevsky设计的。也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogleLeNet。其官方提供的数据模型，准确率达到57.1%,top1-5达到80.2%注：其实在AlexNet网络问世之前，在进行图像识别，分割等工作时，我们采用手工提取特征或者是特征+机器学习的方式，但是这
保持客气哈·2023-04-05 10:31

RePr: Improved Training of Convolutional Filters翻译[下]

RePr:ImprovedTrainingofConvolutionalFilters翻译上6.Ablationstudy6.消融研究ComparisonofpruningcriteriaWemeasurethecorrelationofourmetricwiththeOracletoanswerthequestion-howgoodasubstituteisourmetricforthefilte
Lornatang·2023-04-03 07:12

剪枝论文阅读《Filter Pruning via Geometric Median for Deep Convolutional Neural Networks Acceleration》

https://openaccess.thecvf.com/content_CVPR_2019/papers/He_Filter_Pruning_via_Geometric_Median_for_Deep_Convolutional_Neural_Networks_CVPR
欠我的都给我吐出来·2023-04-02 15:37

T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction Lin

用于流量预测的时序图卷积问题背景：交通流量预测。提出模型：为了同时捕获空间和时间相关性，提出了时间图卷积网络（T-GCN）模型，即将图卷积网络（GCN）和GRU结合。GCN用于学习复杂的拓扑结构以捕获空间依赖性，而GRU用于学习交通数据的动态变化以捕获时间依赖性。T-GCN的代码：GitHub-lehaifeng/T-GCN:TemporalGraphConvolutionalNetworkfor
你爻·2023-04-02 02:56

The inplementation of Convolutional

OptimizingConvinCaffeSolution:convertingConvtoGEMMThisisdoneintwolasysteps:(1)doanim2coltoconverttheimagetoamatrix(2)callGEMMtodotheactualcomputationPros:simplelogic,easyimplementationCons:Lotsofmemor
oneill_feng·2023-04-01 13:47

Convolutional Self-Attention Network

文章认为普通的attention存在以下两个问题：对整个序列使用加权和来计算注意力信息，会使相邻token的注意力被削弱。举个栗子：Amyeatabanana,andBobeatanapple.对这个句子中apple求注意力，那么前后两个eat使用普通attention计算得到的的注意力是相同的。但是实际上靠的越近的词，其注意力应该更大才对。multiheadattention计算各head注意力
哒丑鬼·2023-04-01 12:00

ZFNet: Visualizing and Understanding Convolutional Networks

ZFnet的创新点主要是在信号的“恢复”上面，什么样的输入会导致类似的输出，通过这个我们可以了解神经元对输入的敏感程度，比如这个神经元对图片的某一个位置很敏感，就像人的鼻子对气味敏感，于是我们也可以借此来探究这个网络各层次的功能，也能帮助我们改进网络。论文结构在这里插入图片描述input:,filtersize:7,filtercount:96,stride:2,padding:1,我觉得是要补一
馒头and花卷·2023-04-01 01:49

浅析：FASTGCN: fast learning with graph convolutional networks via importance sampling

原文连接：https://arxiv.org/abs/1801.10247这篇文章起始没有看懂啊。但是网上对这篇文章的解析资源也比较少。如果有错的地方，求指正！先总结这篇文章的几个亮点：1.这是一篇归纳式（inductivelearning）的图卷工作。归纳式的图卷积和直推式（也叫转导式）（Transductivelearning）图卷积不同之处在于：在节点分类任务上，归纳式学习中，测试节点可以不
芸思·2023-03-29 23:24

Deformable Convolutional 可变形卷积网络

DeformableConvolutiona可变形卷积网络论文链接：https://arxiv.org/abs/1910.02940可变形卷积,顾名思义,就是能够改变形状的卷积,普通的卷积一般都是使用一个kk的规则的卷积核对图像进行卷积操作,几何结构比较固定,感受野比较固定,而可变形卷积可以通过偏移量,把kk的卷积核变成不规则的网格,对原图进行卷积操作,进行端到端的学习,能够自适应地确定感受野的大
Angzioxo·2023-03-29 15:32

CNN理论-卷积神经网络结构（Convolutional Neural Network）

CNN的特点：能够有效的将大数据量的图片降维成小数据量。能够有效的保留图片特征，符合图片处理的原则。CNN解决了什么问题：图像需要处理的数据量太大，导致成本很高，效率很低。图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高。典型的CNN由3个部分构成：卷积层池化层全连接层卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的
自由调优师_大废废·2023-03-29 05:54

【论文阅读】Multi-Modal Sarcasm Detection via Cross-Modal Graph Convolutional Network 嘲讽检测，多模态，跨模态，图神经网络

本博客系博主根据个人理解所写，非逐字逐句翻译，预知详情，请参阅论文原文。发表地点：ACL2022；论文下载链接：Multi-ModalSarcasmDetectionviaCross-ModalGraphConvolutionalNetwork-ACLAnthology代码链接：https://github.com/HITSZ-HLT/CMGCN；摘要：随着在线发布包含多模态信息的博客的流行，很多
me_yundou·2023-03-29 01:31

RePr: Improved Training of Convolutional Filters翻译[上]

RePr:ImprovedTrainingofConvolutionalFilters翻译下RePr:ImprovedTrainingofConvolutionalFiltersRePr：改进的卷积滤波器训练论文：http://static.tongtianta.site/paper_pdf/2e51726c-3f1d-11e9-ba5b-00163e08bb86.pdfAbstract摘要Awe
Lornatang·2023-03-28 03:03

Convolutional Sequence to Sequence Learning

cnn-seq2seq传统的embedding，将词向量空间映射到d维编码器+解码器--多层cnn，卷积核的大小k，参数规模为kd*2d，其中kd为每一次卷积的输入矩阵大小（kd），2d为输出矩阵大小（2d）即两维列向量[A,B]非线性--门控结构gatedlinearunits（GLM）GLM其中，sigma是门控函数，操作符是点积残差连接residual每一层（block）之间都是残差连接输出
小绿叶mj·2023-03-27 07:05

论文阅读：ImageNet Classification with Deep Convolutional Neural Networks

此篇文章是AlexNet的产生论文中原图.png细节放大图.pngimage.png1前言在2010年的ImageNetLSVRC-2010上，AlexNet在给包含有1000种类别的共120万张高分辨率图片的分类任务中，在测试集上的top-1和top-5错误率为37.5%和17.0%（top-5错误率：即对一张图像预测5个类别，只要有一个和人工标注类别相同就算对，否则算错。同理top-1对一张图
pppppwwj·2023-03-27 00:04

ICCV 2017 Learning Efficient Convolutional Networks through Network Slimming（模型剪枝）

前言这篇文章是ICCV2017的一篇模型压缩论文，题目为《LearningEfficientConvolutionalNetworksthroughNetworkSlimming》。2019年有相当多的关于YOLOv3的剪枝开源工程，他们大多数的原理都来自于这篇论文，这篇论文的思想值得仔细品读。论文原文地址和Pytorch开源代码地址见附录。基础原理这篇文章不同于之前介绍的那篇深度学习算法优化系列
GiantPandaCV·2023-03-26 15:13

《A Cancer Survival Prediction Method Based on Graph Convolutional Network》

摘要背景现状：多种基因组数据和临床数据尚未综合考虑癌症并预测其生存率方法先对各种数据进行融合，然后用GCN来训练image结论GCN在癌症生存预测方面的有效性和优越性介绍异质性疾病癌症具有不同的分子特征、临床行为、形态学表现和对治疗的不同反应一些传统的机器学习模型用于预测存活一些机器学习分类方法，如支持向量机（SVM）[16-18]，朴素贝叶斯分类器（NB）[19]和随机森林（RF）[20]也可用
飘涯·2023-03-26 08:41

【论文复现】CBAM: Convolutional Block Attention Module

CBAM:ConvolutionalBlockAttentionModule论文原文代码实现：PyTorchAbstract这是今年ECCV2018的一篇文章，主要贡献为提出一个新的网络结构。之前有一篇论文提出了SENet，在featuremap的通道上进行attention生成，然后与原来的featuremap相乘。这篇文章指出，该种attention方法只关注了通道层面上哪些层会具有更强的反馈
luuuyi·2023-03-24 19:11
上一页 2 3 4 5 6 7 8 9 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他