• 相关博文
  • 最新资讯
加载中...
  • 分类、检测、分割任务均有SOTA表现,ACNet有多强?

    本文提出了一种新的自适应连接神经网络(ACNet),从两个方面对传统的卷积神经网络(CNNs)进行了改进。首先,ACNet通过自适应地确定特征节点之间的连接状态,在处理内部特征表示时可以灵活地切换全局推理和局部推理。从这个角度来说,现有的很多CNN模型,经典的多层感知器MLP以及最近(2017)提出的NLN(Non-local Neural Networks),都是ACNet的特殊形式。其次,ACNet还能够处理非欧几里德数据( non-Euclidean data,关于非欧几里得数据,下文会有解释)。实验证明,ACNet不仅在分类、检测、分割任务上都有SOTA表现,而且还可以克服传统MLP和CNN的一些缺点。

  • 卷积神经网络中十大拍案叫绝的操作

    CNN从2012年的AlexNet发展至今,科学家们发明出各种各样的CNN模型,一个比一个深,一个比一个准确,一个比一个轻量。下面会对近几年一些具有变革性的工作进行简单盘点,从这些充满革新性的工作中探讨日后的CNN变革方向。

    CNN
    2019.09.11 0
  • 边界框的回归策略搞不懂?算法太多分不清?看这篇就够了

    目标检测包括目标分类和目标定位 2 个任务,目标定位一般是用一个矩形的边界框来框出物体所在的位置,关于边界框的回归策略,不同算法其回归方法不一。本文主要讲述:1.无 Anchor 的目标检测算法:YOLOv1,CenterNet,CornerNet 的边框回归策略;2.有 Anchor 的目标检测算法:SSD,YOLOv2,Faster R-CNN 的边框回归策略。

    2019.09.05 0
  • 1小时上手MaskRCNN·Keras开源实战 | 深度应用

    MaskRCNN 是何恺明基于以往的 faster rcnn 架构提出的新的卷积网络,一举完成了 object instance segmentation。该方法在有效地目标的同时完成了高质量的语义分割。文章的主要思路就是把原有的 Faster-RCNN 进行扩展,添加一个分支使用现有的检测对目标进行并行预测。

  • 里程碑式成果Faster RCNN复现难?我们试了一下 | 附完整代码

    2019年以来,除各AI大厂私有网络范围外,MaskRCNN,CascadeRCNN成为了支撑很多业务得以开展的基础,而以Faster RCNN为基础去复现其他的检测网络既省时又省力,也算得上是里程碑性成果了。因此本文主要以简洁易懂的文字复现了Resnet - Faster R-CNN。

    2019.08.20 0
  • @程序员,“10倍工程师”都在追这四大AI风向

    五年前,你能写出一个 CNN 网络模型,不必担心找不到一份高薪工作,你是百里挑一的“10 倍算法工程师(以一当十的工程师)”;三年前,你能写出一个 CNN,也许不用害怕找不到工作,你是各家企业都需要的员工;但在这个暑假,你去找工作,如果只能写出一个 CNN......你只是万千普通AI 开发者的一员。

    2019.08.16 0
  • 通俗易懂:图解10大CNN网络架构

    近年来,许多卷积神经网络( CNN )跃入眼帘,而随着其越来越深的深度,我们难以对某个 CNN 的结构有较明确的了解。因此本文精心选取了 10 个 CNN 体系结构的详细图解进行讲述。

    CNN
    2019.08.05 0
  • 基于GEMM实现的CNN底层算法被改?Google提出全新间接卷积算法

    来自谷歌的Peter Vajda在ECV2019中提出了一种全新的间接卷积算法,用于改进GEMM在实现卷积操作时存在的一些缺点,进而提升计算效率。

  • 入门学习 | 什么是图卷积网络?行为识别领域新星

    图卷积网络是近年来逐渐流行的一种神经网络结构。不同于只能用于网格结构(grid-based)数据的传统网络模型 LSTM 和 CNN,图卷积网络能够处理具有广义拓扑图结构的数据,并深入发掘其特征和规律,例如 PageRank 引用网络、社交网络、通信网络、蛋白质分子结构等一系列具有空间拓扑图结构的不规则数据。相比于一般的拓扑图而言,人体骨骼拓扑图具有更加良好的稳定性和不变性,因此从2018年开始,就有许多学者尝试将图卷积网络应用到基于人体骨骼的行为识别领域来,也取得了不错的成果。下面就让我们来深入了解一下什么是图卷积网络,以及它在行为识别领域的最新工作进展吧!

    2019.06.10 0
  • 实战:CNN+BLSTM+CTC的验证码识别从训练到部署 | 技术头条

    本项目适用于Python3.6,GPU>=NVIDIA GTX1050Ti,原master分支已经正式切换为CNN+LSTM+CTC的版本了,是时候写一篇新的文章了。

  • 何恺明等人提TensorMask框架:比肩Mask R-CNN,4D张量预测新突破

    到今天要给大家介绍的论文,也许现在大家已经非常熟悉 Ross Girshic、Piotr Dollár 还有我们的大神何恺明的三人组了。没错,今天这篇重磅新作还是他们的产出,营长感觉刚介绍他们的新作好像没多久啊!想要追赶大神脚步,确实是不能懈怠啊!

  • 到底是什么特征影响着CNN的性能?

    尽管深度学习技术的到来给人们的生活带来了更多的便利。但是神经网络看待和解释世界的方式仍然是一个黑盒子。

  • 知否?知否?一文看懂深度文本分类之DPCNN原理与代码

    模型是如何通过加深网络来捕捉文本的长距离依赖关系的呢?下

  • 放弃幻想,全面拥抱Transformer:NLP三大特征抽取器(CNN/RNN/TF)比较

    RNN人老珠黄,已经基本完成它的历史使命,将来会逐步退出历史舞台;CNN如果改造得当,将来还是有希望有自己在NLP领域的一席之地,如果改造成功程度超出期望,那么还有一丝可能作为割据一方的军阀,继续生存壮大,当然我认为这个希望不大,可能跟宋小宝打篮球把姚明打哭的概率相当;而新欢Transformer明显会很快成为NLP里担当大任的最主流的特征抽取器。

    2019.03.06 0

关于我们

关注「AI科技大本营」​

转载 & 投稿(微信):1092722531

商务合作(微信):15222814505