- @u013841196
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
《FractalNet: Ultra-Deep Neural Networks without Residuals》2016，Gustav Larsson,Michael Maire,Gregory Shakhnarovich. FractalNet转载：https://www.cnblogs.com/liaohuiqiang/p/9218445.html分形网络：无残差的极深神经网络...
《Identity Mappings in Deep Residual Networks》2016，kaiming He et al，ResNet V2。深度残差网络作为一种极深的网络框架，在精度和收敛等方面都展现出了很好的特性。作者通过对残差块(residual building blocks)背后的计算传播方式进行分析，表明了当跳跃连接(skip connections)以及附加激...
《Densely Connected Convolutional Networks 》2017，Gao Huang et al，DenseNet作者通过观察目前深度网络的一个重要特点就是都加入了shorter connections，能够让网络更深、更准确、更高效。作者充分利用了skip connection，设计了一种稠密卷积神经网络（Dense Convolutional Netw...
《GradientBased Learning Applied to Document Recognition》1989，LeCun et al，LeNet5，主要内容在5~9页。图像处理都是小 patchs ，比如28*28或者36*36之类，考虑如下情形，对于一副1000*1000的图像，即，当隐层也有节点时，那么（第一层链接权值）的数量将达到级别，为了减少参数规模，加快训练速度，C...
人脸识别技术越来越多地应用在了各种身份验证场景，在这种看起来发生在电光火石之间的应用背后，又有哪些不易察觉的技术在做精准判别？算法又是通过何种方式来抵御各种欺诈式攻击？深度学习技术的迅猛发展，使得图像识别、分类跟检测的准确率大幅提高，但真正要做成一套金融级解决方案还不是那么简单的，这张图就展示了一个整体的 FaceID 提供的金融级整体的解决方案。在这个架构图中，我们可以看到，Face...
《Rethinking the Inception Architecture for Computer Vision》2015，Google，Inception V31.基于大滤波器尺寸分解卷积GoogLeNet性能优异很大程度在于使用了降维。降维可以看做卷积网络的因式分解。例如1x1卷积层后跟着3x3卷积层。在网络角度看，激活层的输出是高相关的；因此在聚合前进行降维，可以得到类似...
《Stacked Hourglass Networks for Human Pose Estimation》ECCV2016，密歇根大学的研究团队，Hourglass。后续的很多人体姿态估计方法都借鉴了hourglass网络结构，并进行了改进，可以说hourglass的网络结构算是受到了业界的认可。简介：本文使用全卷积神经网络，对给定的单张RGB图像，输出人体关键点的精确像...
《Deep Residual Learning for Image Recognition》2015，kaiming He et al，ResNet。ResNet由微软研究院的kaiming He等4名华人提出，通过使用Residual Unit成功训练152层深的神经网络，在ILSVRC 2015比赛中获得了冠军，取得3.57%的top5错误率，同时参数量却比VGGNet低，效果非常...
Domain Adaptation在经典的机器学习问题中，我们往往假设训练集和测试集分布一致，在训练集上训练模型，在测试集上测试。然而在实际问题中，测试场景往往非可控，测试集和训练集分布有很大差异，这时候就会出现所谓过拟合问题：模型在测试集上效果不理想。以人脸识别为例，如果用东方人人脸数据训练，用于识别西方人，相比东方人识别性能会明显下降。当训练集和测试集分布不一致的情况下，通过在训练...
《RGB-D Face Recognition via Deep Complementary and Common Feature Learning》FG 2018，Hao Zhang, Hu Han, Jiyun Cui, Shiguang Shan, Xilin Chen.近年，利用RGB-D数据进行人脸识别的方案已经被广泛采用，然而现有方法多使用相同处理方式处理所有的模态，这没有充分...