AI 助理
备案控制台
开发者社区 人工智能 文章 正文

论文笔记之： Bilinear CNN Models for Fine-grained Visual Recognition

2016-05-30 3723
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Bilinear CNN Models for Fine-grained Visual Recognition CVPR 2015 　　   　　本文提出了一种双线性模型( bilinear models)，一种识别结构，该结构由两个特征提取器产生，两个输出是图像每一个位置的外积(outer product)，然后进行 pool，得到最终的图像描述算子。

 

Bilinear CNN Models for Fine-grained Visual Recognition

CVPR 2015

　　

 

　　本文提出了一种双线性模型( bilinear models)，一种识别结构，该结构由两个特征提取器产生，两个输出是图像每一个位置的外积(outer product)，然后进行 pool，得到最终的图像描述算子。这种结构可以对局部 pairwise feature interactions 以平移不变的方式进行建模。而且，可以产生不同的无序的文字描述，像 Fisher vector, VLAD and O2P。

　　

　　

　　

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

文章标签：
机器学习/深度学习
计算机视觉
关键词：
论文CNN
笔记CNN
我是wangxiao-23158
目录
相关文章
zzy的aly
|
4月前
|
机器学习/深度学习 Web App开发 编解码
论文精度笔记(四)：《Sparse R-CNN: End-to-End Object Detection with Learnable Proposals》
Sparse R-CNN是一种端到端的目标检测方法，它通过使用一组可学习的稀疏提议框来避免传统目标检测中的密集候选框设计和多对一标签分配问题，同时省去了NMS后处理步骤，提高了检测效率。
zzy的aly
80 0
论文精度笔记(四)：《Sparse R-CNN: End-to-End Object Detection with Learnable Proposals》
zzy的aly
|
4月前
|
机器学习/深度学习 Web App开发 人工智能
轻量级网络论文精度笔(一)：《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》
《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》这篇论文提出了一种基于YOLOv3-Tiny的轻量级目标检测模型Micro-YOLO，通过渐进式通道剪枝和轻量级卷积层，显著减少了参数数量和计算成本，同时保持了较高的检测性能。
zzy的aly
69 2
轻量级网络论文精度笔(一)：《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》
AiCharm
|
机器学习/深度学习 算法 数据可视化
深度学习论文阅读目标检测篇（一）：R-CNN《Rich feature hierarchies for accurate object detection and semantic...》
 过去几年，在经典数据集PASCAL上，物体检测的效果已经达到 一个稳定水平。效果最好的方法是融合了多种低维图像特征和高维上 下文环境的复杂集成系统。在这篇论文里，我们提出了一种简单并且 可扩展的检测算法，可以在VOC2012最好结果的基础上将mAP值提 高30%以上——达到了53.3%。
AiCharm
181 0
深度学习论文阅读目标检测篇（一）：R-CNN《Rich feature hierarchies for accurate object detection and semantic...》
LiBiGo
|
机器学习/深度学习 人工智能 数据可视化
【Pytorch神经网络实战案例】20 基于Cora数据集实现图卷积神经网络论文分类
CORA数据集里面含有每一篇论文的关键词以及分类信息，同时还有论文间互相引用的信息。搭建AI模型，对数据集中的论文信息进行分析，根据已有论文的分类特征，从而预测出未知分类的论文类别。
LiBiGo
735 0
山河亦问安
|
9月前
|
机器学习/深度学习 网络架构 计算机视觉
CNN经典网络模型之GoogleNet论文解读
GoogleNet，也被称为Inception-v1，是由Google团队在2014年提出的一种深度卷积神经网络架构，专门用于图像分类和特征提取任务。它在ILSVRC（ImageNet Large Scale Visual Recognition Challenge）比赛中取得了优异的成绩，引入了"Inception"模块，这是一种多尺度卷积核并行结构，可以增强网络对不同尺度特征的感知能力。
山河亦问安
421 0
5i77ajz5u7ji6
|
存储 算法 计算机视觉
【检测|RCNN系列-5】Light-Head R-CNN的稳精度、提速度之路（附论文获取方式）
【检测|RCNN系列-5】Light-Head R-CNN的稳精度、提速度之路（附论文获取方式）
5i77ajz5u7ji6
166 0
AiCharm
|
机器学习/深度学习 存储 编解码
计算机视觉论文速递（七）FAN：提升ViT和CNN的鲁棒性和准确性
在本文中研究了Self-Attention在学习鲁棒表征中的作用。本研究是基于Vision Transformer中新出现的Visual Grouping的特性进行深入研究的，Visual Grouping也表明Self-Attention可能是通过改进的中层表征来促进鲁棒性。
AiCharm
179 0
AiCharm
|
机器学习/深度学习 算法 数据可视化
计算机视觉论文速递（四）Dynamic Sparse R-CNN：Sparse R-CNN升级版，使用ResNet50也能达到47.2AP
 首先，Sparse R-CNN采用一对一标签分配方案，其中匈牙利算法对每个Ground truth只匹配一个正样本。这种一对一标签分配对于学习到的proposal boxes和Ground truth之间的匹配可能不是最佳的。为了解决这一问题，作者提出了基于最优传输算法的动态标签分配(DLA)，在Sparse R-CNN的迭代训练阶段分配递增的正样本。随着后续阶段产生精度更高的精细化proposal boxes，在后续阶段对匹配进行约束，使其逐渐松散。
AiCharm
163 0
AiCharm
|
机器学习/深度学习 算法 数据挖掘
深度学习论文阅读目标检测篇（三）：Faster R-CNN《 Towards Real-Time Object Detection with Region Proposal Networks》
 最先进的目标检测网络依靠region proposal算法来推理检测目标的位置。SPPnet[1]和Fast R-CNN[2]等类似的研究已经减少了这些检测网络的运行时间，使得region proposal计算成为一个瓶颈。在这项工作中，我们引入了一个region proposal网络（RPN），该网络与检测网络共享整个图像的卷积特征，从而使近乎零成本的region proposal成为可能。
AiCharm
428 0
AiCharm
|
机器学习/深度学习 算法 数据挖掘
深度学习论文阅读目标检测篇（二）：Fast R-CNN《Fast R-CNN》
本文提出了一种快速的基于区域的卷积网络方法（fast R-CNN） 用于目标检测。Fast R-CNN 建立在以前使用的深卷积网络有效地分 类目标的成果上。相比于之前的研究工作，Fast R-CNN 采用了多项创 新提高了训练和测试速度，同时也提高了检测准确度。
AiCharm
241 0

热门文章

最新文章

  • 1
    基于GWO灰狼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
  • 2
    CNN-RNN中文文本分类，基于TensorFlow 实现
  • 3
    详解何恺明团队4篇大作 !（附代码）| 从特征金字塔网络、Mask R-CNN到学习分割一切
  • 4
    CNN基础知识——卷积（Convolution）、填充（Padding）、步长(Stride)
  • 5
    使用CNN做电影评论的负面检测——本质上感觉和ngram或者LSTM同，因为CNN里图像检测卷积一般是3x3，而文本分类的话是直接是一维的3、4、5
  • 6
    实战教程 | 车道线检测项目实战，霍夫变换 & 新方法 Spatial CNN
  • 7
    深度学习经典网络解析目标检测篇（一）：R-CNN
  • 8
    轻量化CNN网络MobileNet系列详解
  • 9
    PyTorch学习系列教程：卷积神经网络【CNN】
  • 10
    【CNN回归预测】基于卷积神经网络的数据回归预测附matlab完整代码
  • 1
    基于GWO灰狼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
    32
  • 2
    基于CNN卷积神经网络的金融数据预测matlab仿真,对比BP,RBF,LSTM
    121
  • 3
    基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
    61
  • 4
    基于PSO粒子群优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
    71
  • 5
    深入理解深度学习中的卷积神经网络（CNN）##
    108
  • 6
    【AI系统】轻量级CNN模型综述
    60
  • 7
    基于贝叶斯优化CNN-GRU网络的数据分类识别算法matlab仿真
    87
  • 8
    深入理解深度学习中的卷积神经网络（CNN）
    92
  • 9
    深入理解深度学习中的卷积神经网络（CNN）
    140
  • 10
    探索深度学习中的卷积神经网络（CNN）及其在现代应用中的革新
    111

    • 相关电子书

    更多
  • 利⽤CNN实现⽆需联⽹的图像识别
  • TensorRT Introduction
  • TensorRT Introduction
    • 下一篇
    阿里云oss简介和如何对接使用