convolutional专题

模型压缩：Networks Slimming-Learning Efficient Convolutional Networks through Network Slimming

Network Slimming-Learning Efficient Convolutional Networks through Network Slimming（Paper） 2017年ICCV的一篇paper，思路清晰，骨骼清奇~~ 创新点： 1. 利用batch normalization中的缩放因子γ 作为重要性因子，即γ越小，所对应的channel不太重要，就可以裁剪（prun

Deformable Convolutional可变形卷积回顾

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Sik-Ho Tsang 编译：ronghuaiyang 导读使用可变形卷积，可以提升Faster R-CNN和R-FCN在物体检测和分割上的性能。只要增加很少的计算量，就可以得到性能的提升，非常好的文章，值的一看。 (a) Conventional Convolution, (b) Deformable Convol

Age and gender estimation based on Convolutional Neural Network and TensorFlow

训练数据处理 imdb数据提取 gender: 0 for female and 1 for male, NaN if unknown age: 年龄分为101类,分别为从0到100岁. 将训练数据转换为tfrecords格式,命令为, python convert_to_records_multiCPU.py --imdb --nworks 8 --imdb_db /home/rese

$图卷积网络（Graph Convolutional Network, GCN）$

图卷积网络（Graph Convolutional Network, GCN）

图卷积网络（Graph Convolutional Network, GCN）是一种用于处理图结构数据的深度学习模型。GCN编码器的核心思想是通过邻接节点的信息聚合来更新节点表示。图的表示一个图 G通常表示为 G=(V,E)，其中： V 是节点集合，包含 N个节点。E是边集合，包含图中所有的边。节点特征矩阵假设每个节点 i有一个特征向量（维度为 F），所有节点的特征可以表示为矩

【网络裁剪】——Learning Efficient Convolutional Networks through Network Slimming

转载自:https://blog.csdn.net/h__ang/article/details/89376079 亮点:ICCV 2017 论文链接：https://arxiv.org/abs/1708.06519 官方代码（Torch实现）：https://github.com/liuzhuang13/slimming 第三方代码（PyTorch实现）：https://github.c

【论文阅读】Semantic Segmentation with deep convolutional nets and fully connected CRFs

一、摘要深度卷积神经网络（DCNN）最近在高级视觉任务中展示了最先进的性能，例如图像分类和对象检测。这项工作汇集了来自DCNN和概率图形模型的方法，用于解决像素级分类（也称为“语义图像分割”）的任务。我们表明DCNN最后一层的响应没有充分定位，无法进行精确的对象分割。这是由于非常不变的属性使DCNN有利于高级任务。我们通过将最终DCNN层的响应与完全连接的条件随机场（CRF

【论文阅读】semantic image segmentation with deep convolutional nets and fully connected CRFs

文章的主要贡献：速度：带atrous算法的DCNN可以保持8FPS的速度，全连接CRF平均推断需要0.5s；准确：在PASCAL语义分割挑战中获得了第二的成绩；简单：DeepLab是由两个非常成熟的模块(DCNN和CRFs)级联而成。一、概述自LeCun（1998）以来，DCNN一直被选作版面识别的方法，如今已经成为高级视觉研究的主流，提高了计算机视觉性能，广泛应用于图像分割，对

RNN学习笔记:Understanding Deep Architectures using a Recursive Convolutional Network

reference link：http://blog.csdn.net/whiteinblue/article/details/43451383 本文是纽约大学Yann LeCun团队中Pierre Sermanet ，David Eigen和张翔等在13年撰写的一篇论文，本文改进了Alex-net，并用图像缩放和滑窗方法在test数据集上测试网络；提出了一种图像定位的方法；最后通过一个

深度学习tracking学习笔记(1):Visual Tracking with Fully Convolutional Networks

reference：http://blog.csdn.net/carrierlxksuper/article/details/48918297 两个属性 1）不同层上的CNN特征可以针对不同的tracking问题。越top层的特征越抽象，并且具有语义信息。这些特征的优势在于区分不同类别，同时对于形变和遮挡robust(下图a)。但是他们的缺点是无法区别类内的物体，比如不同人（下图b）

风格迁移学习笔记(1):Multimodal Transfer: A Hierarchical Deep Convolutional Neural Network for Fast

以下将分为3个部分介绍: 效果解決的問題How to solve it？ 1.效果: 先来看一下效果

3D点云论阅读：ShellNet:Efficient Point Cloud Convolutional Neural Networks using Concentric Shells Statics

论文：http://openaccess.thecvf.com/content_ICCV_2019/papers/Zhang_ShellNet_Efficient_Point_Cloud_Convolutional_Neural_Networks_Using_Concentric_Shells_ICCV_2019_paper.pdf 源码：https://github.com/hkust-vgd

论文阅读笔记之Deformable Convolutional Networks

论文地址：https://arxiv.org/abs/1703.06211 摘要：卷积神经网络的固定几何结构限制了模型对物体形变的建模能力，在本工作中，我们引入了两个新的模块来增强CNNs的形变建模能力，即可变形卷积和可变形RoI池。通过额外的偏移量参数增强空间位置采样能力，并从目标任务中学习偏移量，不需要附加偏移量监督。新模块可以很容易的在现有网络中进行替换，通过标准反向传播很容易进行端到端的

论文阅读：《Convolutional Neural Networks for Sentence Classification》

重磅专栏推荐：《大模型AIGC》《课程大纲》《知识星球》本专栏致力于探索和讨论当今最前沿的技术趋势和应用领域，包括但不限于ChatGPT和Stable Diffusion等。我们将深入研究大型模型的开发和应用，以及与之相关的人工智能生成内容（AIGC）技术。通过深入的技术解析和实践经验分享，旨在帮助读者更好地理解和应用这些领域的最新进展论文地址：http://xueshu

Fully Convolutional Networks for Semantic Segmentation--论文笔记

论文笔记资料 1.代码地址 2.论文地址 https://arxiv.org/abs/1411.4038 3.数据集地址论文摘要的翻译卷积网络是强大的视觉模型，可以产生特征层次结构。我们表明，卷积网络本身，经过端到端，像素对像素的训练，在语义分割方面超过了最先进的技术。我们的关键见解是建立“完全卷积”网络，该网络可以接受任意大小的输入，并通过有效的推理和学习产生相应大小的输出。

AlexNet论文解析—ImageNet Classification with Deep Convolutional Neural Networks

AlexNet论文解析—ImageNet Classification with Deep Convolutional Neural Networks 2012 研究背景认识数据集：ImageNet的大规模图像识别挑战赛 LSVRC-2012：ImageNet Large Scale Visual Recoanition Challenge 类别训练数据测试数据图片格式Mnist1

GEE深度学习——使用卷积神经网络（Convolutional Neural Network，CNN）进行土地分类（PyTorch模式）

PyTorch PyTorch是一个开源的深度学习框架，由Facebook于2016年发布。它提供了丰富的工具和库，用于构建和训练神经网络模型。 PyTorch的核心是动态计算图，它允许用户在运行时定义、修改和调试计算图，这使得模型开发变得非常灵活和直观。与静态计算图的框架相比，PyTorch使得调试和实验更加简单，因为用户可以在编写代码时直接查看变量和计算结果。 PyTorch提供了丰富的

论文阅读（【CVPR2018】Jinshan Pan - Learning Dual Convolutional Neural Networks for Low-Level Vision）

论文阅读（【CVPR2018】Jinshan Pan - Learning Dual Convolutional Neural Networks for Low-Level Vision）目录论文和作者论文作者方法概述网络结构损失函数网络参数实验图像去雾实验结果图像超分辨率重建实验结果图像去雨实验结果图像保边滤波

ImageNet Classification with Deep Convolutional Neural Networks笔记(摘要版)

Contents 1.全部架构 2.降低过拟合 3.学习细节 4.结果 5.讨论本笔记为论文的摘要版，详细数据和论文详解见： http://www.gageet.com/2014/09140.php 本文训练了一个深度卷积神经网络，来将ILSVRC-2010中1.2M的高分辨率图像数据分为1000类。测试结果，Top-1和Top-5的错误率分别为37.5%和17%，优于当时

Convolutional Neural Networks for Visual Recognition

CS231n简介 CS231n的全称是CS231n: Convolutional Neural Networks for Visual Recognition，即面向视觉识别的卷积神经网络。该课程是斯坦福大学计算机视觉实验室推出的课程。需要注意的是，目前大家说CS231n，大都指的是2016年冬季学期（一月到三月）的最新版本。课程描述：请允许我们引用课程主页上的官方描述如下。计算

An Intuitive Explanation of Convolutional Neural Networks

CNN&RELU&POOL 感觉没有比这篇文章讲的更详细了：https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/ What are Convolutional Neural Networks and why are they important? Convolutional Neural Networks (Con

论文《A Convolutional Neural Network Cascade for Face Detection》笔记

论文：A Convolutional Neural Network Cascade for Face Detection.pdf 实现：https://github.com/anson0910/CNN_face_detection 该论文发表于2015年CVPR上，作者提出了一种级连的CNN网络结构用于人脸识别，论文的主要贡献有以下四点：提出了一种级连的CNN网络结构用于高速的人脸检

每日Attention学习2——Multi-Scale Convolutional Attention

模块出处 [link] [code] [NIPS 22] SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation 模块名称 Multi-Scale Convolutional Attention (MSCA) 模块作用多尺度特征提取，更大感受野模块结构模块代码

Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis: Actively and Incrementally

Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis: Actively and Incrementally 摘要卷积神经网络（CNN）在生物医学图像分析中的广泛兴趣广泛传播，但其成功受到生物医学成像缺乏大量标注数据集的阻碍。标注生物医学图像不仅繁琐而且耗时，而且要求昂贵，专业化的知识和技能不容易获取。

卷积神经网络Convolutional Neural Networks

卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共

[深度学习论文笔记][arxiv 1805] Why do deep convolutional networks generalize so poorly to small image transf

[arxiv 1805] Why do deep convolutional networks generalize so poorly to small image transformations? Aharon Azulay and YairWeiss from Hebrew University of Jerusalem paper link Introduction 深度卷积网络

ImageNet Classification with Deep Convolutional Neural Network解读

ImageNet Classification with Deep Convolutional Neural Network 本文是Alex和Hinton参加ILSVRC2012比赛的卷积网络论文，本网络结构也是开启Imagenet数据集更大，更深CNN的开山之作，本文对CNN的一些改进成为以后CNN网络通用的结构；在一些报告中被称为Alex-net，之后在Imagenet上取得更