如何从图像中解析出可供计算机理解的信息,是机器视觉的中心问题。深度学习模型由于其强大的表示能力,加之数据量的积累和计算力的进步,成为机器视觉的热点研究方向。

阅读更多

本文是Bootstrapping(自助采样)在深度网络中的应用。两阶段网络由于其多步的特性,在RCNN子网络的计算前会有对RoI的整理过程,早期工作中,Fast R-CNN利用随机上采样和下采样的方法来维持正负样本比例,而本文提出的方法则使得网络具有挑选“好的”正负样本的能力。

阅读更多

本文是MobileNets的第二版。第一版中,MobileNets全面应用了Depth-wise Seperable Convolution并提出两个超参来控制网络容量,在保持移动端可接受的模型复杂性的基础上达到了相当的精度。而第二版中,MobileNets应用了新的单元:Inverted residual with linear bottleneck,主要的改动是添加了线性Bottleneck和将skip-connection转移到低维bottleneck层。

阅读更多

FlintOS是Chromium OS的本地化项目,支持本地账号,可以在廉价的硬件上运行。

阅读更多

DenseNet将shortcut-connection的思路发挥到极致。在一个DenseBlock内部,每一层的输出均跟后面的层建立shortcut,特别需要注意的是,不同于ResNet中的相加,DenseNet连接shortcut的方式是Concat,这样越深的层则输入channel数越大。

阅读更多

本文提出了深度网络的新维度,除了深度、宽度(Channel数)外,作者将在某一层并行transform的路径数提取为第三维度,称为”cardinality”。跟Inception单元不同的是,这些并行路径均共享同一拓扑结构,而非精心设计的卷积核并联。除了并行相同的路径外,也添加了层与层间的shortcut connection。但由于其多路径的设计特征,我将其归为Inception系网络。

阅读更多

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×