• 相关博文
  • 最新资讯
加载中...
  • RANet : 分辨率自适应网络效果和性能的best trade-off | CVPR 2020

    深度CNN带来了性能提升的同时也带来了过高的计算量,许多研究放在了如何进行网络加速上面,其中比较直接的是根据样本难易程度进行自动调整的自适应网络。基于对自适应网络的研究,论文提出了自适应网络RANet(Resolution Adaptive Network),思想如图1所示,网络包含多个不同输入分辨率和深度子网,样本先从最小的子网开始识别,若结果满足条件则退出,否则继续使用更大的子网进行识别,子网的特征不是独有的,下一级别的子网会融合上一级别的子网特征,从实验来看,论文在效果和性能上取得了很不错的trade-off。

    CNN
    2020.04.07 0
  • 从零开始构建:使用CNN和TensorFlow进行人脸特征检测

    人脸检测系统在当今世界中具有巨大的用途,这个系统要求安全性,可访问性和趣味性!今天,我们将建立一个可以在脸上绘制15个关键点的模型。

    2020.03.30 0
  • 人脸算法系列:MTCNN人脸检测详解

    本文目的不是为了强调MTCNN模型的训练,而是如何使用MTCNN提取人脸区域和特征点,为后续例如人脸识别和人脸图片预处理做铺垫。

    2020.03.20 0
  • 脉冲神经网络在目标检测的首次尝试,性能堪比CNN | AAAI 2020

    论文打算使用DNN-to-SNN转化方法将SNN应用到更复杂的目标检测领域中,图片分类只需要选择分类就好,而目标检测则需要神经网络进行高度准确的数字预测,难很多。在深入分析后,论文实现YOLO的转换主要面临以下两个问题:

    2020.03.17 0
  • 超轻量级中文OCR,支持竖排文字识别、ncnn推理,总模型仅17M

    光学字符识别(OCR)技术已经得到了广泛应用。比如发票上用来识别关键字样,搜题App用来识别书本上的试题。

    OCR
    2020.03.16 0
  • 如何用CNN玩转AlphaGo版的五子棋?

    在这个过程中,所使用的的Python库有tkinter,其目的是用于规划棋盘布局,实现下棋功能;SGF文件用于读取棋谱并加载训练模型;os库用于读取和存储本地文件;TensorFlow库用于建立CNN网络模型以及训练等事项。

    CNN
    2020.03.13 0
  • CNN vs RNN vs ANN——3种神经网络分析模型,你pick谁?

    我还常常会见到另一个问题——神经网络需要强大的计算能力,那么当问题中只是存在一些细微差别时,使用神经网络真的值得吗?问题的答案很简单——值得!

    2020.02.21 0
  • 代替Mask R-CNN,BlendMask欲做实例预测任务的新基准?

    实例分割是一种基础视觉任务。在今天要为大家介绍的工作中,作者通过有效地将实例级信息与具有较低级细粒度的语义信息结合起来,提升了掩码预测精度。本文的主要贡献是提出了一个Blender模块,该模块从自上而下和自下而上的实例分割方法中汲取了灵感。由于该方法简单且有效,作者希望本文的BlendMask可以作为各种实例预测任务的基准。

    2020.01.08 0
  • 机器学习模型五花八门不知道怎么选?这份指南告诉你

    一般来说,基于树形结构的模型在Kaggle竞赛中是表现最好的,而其它的模型可以用于融合模型。对于计算机视觉领域的挑战,CNNs (Convolutional Neural Network, 卷积神经网络)是最适合不过的。而对于NLP(Natural Language Processing,自然语言处理),LSTMs或GRUs是最好的选择。下面是一个不完全模型细目清单,同时列出了每个模型的一些优缺点。

    2020.01.07 0
  • 从LeNet到GoogLeNet:逐层详解,看卷积神经网络的进化

    深度学习的兴起使卷积神经网络在计算机视觉方面大放异彩,本文将按时间和创新点顺序介绍一系列网络结构:LeNet、AlexNet、VGGNet、InceptionNet 与 ResNet。网络上大部分文章都只是草草讲述,本文小波仔仔细梳理,从问题的背景,网络结构,为什么设计这样的结构,参数数量各方面详细讲述CNN的进化之路。

    2020.01.06 0
  • 用于多任务CNN的随机滤波分组,性能超现有基准方法

    本文提出了一种用于多任务学习的CNNs中任务特定(task-specific)和共享表示(shared representations)的概率学习方法。具体来说,本文提出了一个随机滤波分组(stochastic filter groups,SFG)的方法,SFG是一种将每一层中的卷积核分配给专有(specialist)或通用(generalist)组的机制,这些组分别针对不同的任务或在不同的任务之间共享。SFG确定了层与网络中特定于任务和共享表示的结构之间的连接性,使用变分推断(variational inference)来学习可能的卷积分组和网络参数分组的后验分布。实验证明,本文所提出的方法适用于多个任务,并且比基准方法有更好的性能。

    2019.11.22 0
  • 从基本组件到结构创新,67页论文解读深度卷积神经网络架构

    近期一篇CNN综述文章《A Survey of the Recent Architectures of Deep Convolutional Neural Networks 》发布,受到了大家的关注,今天作者对论文中的内容做了中文的解读,帮助大家全面了解CNN架构进展。

    CNN
    2019.11.20 0
  • 美还是丑?这有一个CNN开发的颜值评分器 | 实战

    在人工智能的发展越来越火热的今天,其中智能应用也在伴随着我们的生活,其中最具有代表性的便是图像识别,并且其中的应用比比皆是,如车站的人脸识别系统,交通的智能监控车牌号系统等等。而卷积神经网络作为图像识别的首选算法,对于图像的特征提取具有很好的效果,而TensorFlow作为Google的开源框架具有很好的结构化特征,而本篇文章将利用卷积神经网络算法对图像识别进行应用,开发出颜值评分器的功能。

    2019.11.12 0
  • AttoNets,一种新型的更快、更高效边缘计算神经网络

    在物体检测中的实验结果表明, 在使用更少的参数以及更低的计算花销的情况下,AttoNets 的效率与现有最优模型相当,并在准确率指标上大幅超越现有模型(与 MobileNet-V1相比,最小的 AttoNet 的准确率提升约 1.8%,使用的乘-加操作数和参数量减小了10倍)。另外,本文也在实例分割和物体探测应用中检测了 AttoNets 的效果,并发现与基于 ResNet-50 的 Mask R-Cnn 相比,通过使用基于 AttoNet的 Mask R-Cnn 网络,参数量和计算花销得到了大幅度降低(乘-加操作减少5倍,参数量减少2倍)。

  • 强大人脸检测系统MTCNN可攻破?华为提出一种可复制、可靠的攻击方法

    深度学习方法在人脸检测任务上取得了显著的成果,但这些进展带来了与深度卷积神经网络模型安全性相关的新问题,并揭露了基于DCNN的应用程序有潜在风险。即使在数字领域仅做微小的改动输入,也可能骗过神经网络。有研究已经表明,一些基于深度学习的人脸检测器不仅在数字领域而且在现实世界中都容易受到对抗性攻击。

    2019.10.25 0
  • 击败最新无监督域自适应方法,研究人员提轻量CNN新架构OSNet

    这篇论文《Learning Generalisable Omni-Scale Representations for Person Re-Identification》是一篇关于行人再识别领域的新研究(Person Re-Identification , re-ID)。这篇论文中,作者们提出了一个新的CNN架构——OSNet,在实验效果方面,这一新模型架构击败了最新的无监督域自适应方法。

    2019.10.21 0
  • 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。

每页显示 共30条数据 < 1 2 >      到第 GO

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