Shift-Invariant論文筆記
ICML 2019 Making Convolutional Networks Shift-Invariant Again ICML 2019 Making Convolutional Networks Shift-Invariant Again 如果筆記 ...
原文：[論文理解] Making Convolutional Networks Shift-Invariant Again
Making Convolutional Networks Shift Invariant Again Intro 本文提出解決CNN平移不變性喪失的方法，之前說了CNN中的downsample過程由於不滿足采樣定理，所以沒法確保平移不變性。信號處理里面解決這樣的問題是利用增大采樣頻率或者用抗混疊方法，前者在圖像處理里面設置stride 就可實現，但stride 已經是極限，本文着重於后者，使用抗 ...
2020-01-23 03:20 1 819 推薦指數：
相關推薦
[論文理解] Learning Efficient Convolutional Networks through Network Slimming
Learning Efficient Convolutional Networks through Network Slimming 簡介 這是我看的第一篇模型壓縮方面的論文，應該也算比較出名的一篇吧，因為很早就對模型壓縮比較感興趣，所以抽了個時間看了一篇，代碼也自己實現了一下，覺得還是挺容易 ...
[論文理解] Squeeze-and-Excitation Networks
Squeeze-and-Excitation Networks 簡介 SENet提出了一種更好的特征表示結構，通過支路結構學習作用到input上更好的表示feature。結構上是使用一個支路去學習如何評估通道間的關聯，然后作用到原feature map上去，實現對輸入的校准。支路的幫助 ...
[論文理解] Spatial Transformer Networks
Spatial Transformer Networks 簡介 本文提出了能夠學習feature仿射變換的一種結構，並且該結構不需要給其他額外的監督信息，網絡自己就能學習到對預測結果有用的仿射變換。因為CNN的平移不變性等空間特征一定程度上被pooling等操作破壞了，所以，想要網絡能夠應對 ...
[論文理解] CapsuleNet
CapsuleNet 前言 找了很多資料，終於把整個流程搞懂了，其實要懂這個運算並不難，難的對我來說是怎么用代碼實現，也找了github上的一些代碼來看，對我來說都有點冗長，變量分布太遠導致我腦袋炸了，所以我就在B站找視頻看看有沒有代碼講解，算是不負苦心吧，終於把實現部分解決了。 不寫論文 ...
RetinaNet論文理解
引言 介紹 目前精度高的檢測器都是基於two-stage，proposal-driven機制，第一階段生成稀疏的候選對象位置集，第二階段使用CNN進一步將每個候選位置分為前景或者背景以及 ...
[論文理解] How much position information do convolutional neural network encode?
How much position information do convolutional neural network encode? Intro 文章是ICML2020的一個工作，探究了CNN到底有沒有編碼位置信息，這些位置信息在哪些神經元中被編碼、這些位置信息又是如何被暴露給神經網絡 ...
[論文理解] Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery
Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery Intro 本文提出利用GAN來做異常檢測，大致思想為，先使用正常方式訓練生成器G，訓練完成后固定G的參數 ...