ImageNet Classification with Deep Convolutional Neural Networks 論文解讀
這個論文應該算是把深度學習應用到圖片識別（ILSVRC，ImageNet large-scale Visual Recognition Challenge)上的具有重大意義的一篇文章。因為在之前，人們一直質疑深度學習的強大有能力。 大家看看它的引用數目就知道它很厲害了，，9000多的引用 ...
原文：論文解讀《Understanding the Effective Receptive Field in Deep Convolutional Neural Networks》
感知野的概念尤為重要，對於理解和診斷CNN網絡是否工作，其中一個神經元的感知野之外的圖像並不會對神經元的值產生影響，所以去確保這個神經元覆蓋的所有相關的圖像區域是十分重要的 需要對輸出圖像的單個像素進行預測的任務，使每一個輸出像素具有一個比較大的感知野是十分重要的，在做預測試時，每一個關鍵的信息就不會被遺漏。 增大感知野的方法： 理論上可以通過搭建更多的層的網絡實現感知域的線性增加，靠着卷積過濾器 ...
2019-09-05 22:14 0 661 推薦指數：
相關推薦
論文解讀《ImageNet Classification with Deep Convolutional Neural Networks》
這篇論文提出了AlexNet，奠定了深度學習在CV領域中的地位。 1. ReLu激活函數 2. Dropout 3. 數據增強 網絡的架構如圖所示 包含八個學習層：五個卷積神經網絡和三個全連接網絡，並且使用了最大池化。 RELU非線性層 傳統的神經網絡的輸出包括$tanh ...
Understanding the difficulty of training deep feedforward neural networks
本文作者為：Xavier Glorot與Yoshua Bengio。 本文干了點什么呢？ 第一步：探索了不同的激活函數對網絡的影響（包括：sigmoid函數，雙曲正切函數和softsign y = ...
論文筆記：Visualizing and Understanding Convolutional Networks
2014 ECCV 紐約大學 Matthew D. Zeiler, Rob Fergus 簡單介紹（What） 提出了一種可視化的技巧，能夠看到CNN中間層的特征功能和分類操作。 通過對 ...
論文筆記 Visualizing and Understanding Convolutional Networks
之前，我知道可以可視化CNN，也只是知道有這么一回事情。至於它是“怎么做的、其原理是什么、給我們的指導意義是什么”，也不清楚。說白了，就是我知道有“CNN可視化”，僅僅停留在“知道”層面！但當自己 ...
[論文解讀]CNN網絡可視化——Visualizing and Understanding Convolutional Networks
概述 雖然CNN深度卷積網絡在圖像識別等領域取得的效果顯著，但是目前為止人們對於CNN為什么能取得如此好的效果卻無法解釋，也無法提出有效的網絡提升策略。利用本文的反卷積可視 ...
《ImageNet Classification with Deep Convolutional Neural Networks》 剖析
《ImageNet Classification with Deep Convolutional Neural Networks》 剖析 CNN 領域的經典之作， 作者訓練了一個面向數量為 1.2 百萬的高分辨率的圖像數據集ImageNet， 圖像的種類為1000 種的深度卷積神經網絡 ...
論文筆記(Filter Pruning via Geometric Median for Deep Convolutional Neural Networks Acceleration)
這是CVPR 2019的一篇oral。 預備知識點：Geometric median 幾何中位數 \begin{equation}\underset{y \in \mathbb{R}^{n}}{\ ...