参考：http://x-algo.cn/index.php/2016/12/22/1318/Inception v1目标人类的大脑可以看做是神经元的重复堆积，Inception网络存在的原因就是想找构造一种「基础神经元」结构。人类的神经元之间链接往往是稀疏链接，所以就是寻找「稀疏网络」的稠密表示，并希望这个稠密网络在效果上可以「接近」甚至「超越」稀疏链接的网络。1x1卷积层对特征降维，一方面可以解
转载
2024-03-12 16:22:47
75阅读
学习内容：卷积神经网络研究综述论文学习笔记一． 引言部分 二． 卷积神经网络概述（对各部分进行解释） 三． 至今为止，对CNN进行的改进与尝试 四． 训练模型的方法与开源工具 五． 实际生活中的应用 六． CNN参数设置的一些探索 七． 总结 八． 参考文献论文简介：以上，便是该篇论文的八个板块。 本文从计算机视觉的历史出发，着重介绍了CNN各部分的作用与网络合理化设置的方法，之后点明了CNN后期
1、CNN结构演化历史图 CNN经典论文学习第一篇，卷积神经网络开山鼻祖，经典的手写体识别论文——LeNet:《Gradient-Based Learning Applied to Document Recognition》，作者包括深度学习三大巨头之一Yann Lecun，花书《深度学习》作者之一Yoshua Bengio。 原文篇幅很长，选择记录其中最重要的介绍CN
转载
2024-02-14 13:23:35
234阅读
本文主要是回顾一下一些经典的CNN网络的主要贡献。论文传送门【google团队】[2014.09]inception v1: https://arxiv.org/pdf/1409.4842.pdf
[2015.02]inception v2: https://arxiv.org/pdf/1502.03167.pdf
[2015.12]inception v3: https://arxiv.org/
转载
2024-08-12 12:13:36
50阅读
老师听到老师学长说到文献综述，也就是review，突然有点莫名起来，数字资源资料库里面我该如何搜索呢？好像很多人的本科论文都是瞎混混过来的，我也是，有看过期刊和一些论文，却不明白到底如何来找文献综述。
以下是我从网上找的关于文献综述运用的参考，写的不错，拿来分享一下！
1.找一篇本研究领域的文献综述（review）。 这一步很关键，要找一篇有影响的（我主要是看引用次数的高低）综述有时不是件很容
转载
2024-07-10 13:50:13
58阅读
Brief 果然二维检测上的RCNN系列会出现在三维检测上，CVPR19年上有一篇Point RCNN的paper。在上个月（19年8月8日）这篇文章就被放上了arixv上，由港中文的贾佳亚教授实验室完成，下面看看具体是怎么做的。Abstruct该方法既采用了voxel表达，又结合了原始点云的形式，是一个two-stage的方法。第一个阶段采用voxel作为数据的输入，只采用几层轻量级的卷积操作，
转载
2024-09-14 13:02:53
122阅读
Deep pyramid Convolutional Neural Networks for Text Categorization摘要：本文提出了一个低复杂度，词级别用于文本分类的深度卷积神经网络，该模型可以有效的获得文本长距离联系的表示。针对文本分类，有一些深并且复杂的模型被提出，但它都假设相当大的训练数据可以使用。随着网络的加深，计算复杂度也会提升，导致实际应用困难。并且，近期研究表明了浅层
转载
2024-04-25 16:20:54
17阅读
本文介绍一种剪枝方法（ Sparse Structure Selection）。1. 核心思想如图为论文中提出的网络框架。F表示残差函数。灰色的block、group和neuron表示它们是不活跃的，对应的比例因子为0，可以被修剪。 根据作者在论文中所描述的，改论文的贡献体现在以下2个方面:作者提出了一个统一的cnn模型训练和剪枝框架。特别地，通过在cnn的某些结构上引入缩放因子和相应的稀疏正则化
转载
2024-03-21 13:13:47
126阅读
Fast R-CNNRCNN系列论文：目标检测：RCCN网络详解目标检测：Fast RCNN网络详解目标检测：Faster RCNN网络详解简述：RCCN存在以下几个问题： （1） 需要事先提取多个候选区域对应的图像。这一行为会占用大量的磁盘空间； （2） 针对传统的CNN来说，输入的map需要时固定尺寸的，而归一化过程中对图片产生的形变会导致图片大小改变，这对CNN的特征提取有致命的坏处； （3
论文信息： 论文代码：https://github.com/cszn/DnCNN Abstract 提出网络：DnCNNs 关键技术： Residual learning and batch normalization 残差学习和批归一化 解决问题： Gaussian denoising （nonblind and blind） &
转载
2024-05-13 21:01:59
58阅读
动手学深度学习7.1 AlexNet试着增加迭代轮数。对比LeNet的结果有什么不同？为什么？增加迭代次数，LeNet的准确率比AlexNet低，因为复杂的网络有着更强的学习能力。LeNet AlexNet
