脱咖啡因咖啡

DeCAF:一种用于一般视觉识别的深卷积激活特征。我们评估从一个深卷积网络的激活中提取的特征是否可以重新用于新的一般任务,这些特征是以完全监督的方式训练的。我们的通用任务可能与最初训练的任务有很大的不同,并且可能没有足够的标记或未标记的数据,无法按常规训练或调整深层架构以适应新任务。我们研究并可视化与各种此类任务相关的深卷积特征的语义聚类,包括场景识别、域自适应和细粒度识别挑战。我们比较了依赖于不同网络级别来定义固定特征的有效性,并报告了在几个重要的视觉挑战方面显著优于现有技术的新颖结果。我们正在发布DeCAF,这是这些深卷积激活特性的开源实现,以及所有相关的网络参数,使视觉研究人员能够在一系列视觉概念学习范式中进行深度表征的实验。


zbMATH中的参考文献(参考文献22条)

显示第1到第20个结果,共22个。
按年份排序(引用)
  1. 张宁山;莫赫里,迈尔亚尔;朱迪.霍夫曼:多源自适应理论与算法(2021)
  2. 高德鹏;吴瑞;刘佳峰;范小鹏;唐向龙:寻找无监督域适应的鲁棒转移特征(2020)
  3. 杨丽然;Zhong,Ping:基于类内散布的鲁棒自适应正则化(2020)
  4. 高德鹏;刘佳峰;吴瑞;程丹松;范小鹏;唐向龙:利用相关RGB-D数据帮助识别目标域中的RGB图像(2019年)
  5. 伦克,卡雷尔;Andrea Vedaldi:通过测量图像表征的等变性和等效性来理解图像表征(2019)
  6. 李珊珊;邓卫红:无约束面部表情识别的可靠众包和深度局部保持学习(2019)
  7. 沙非以撒得亚巴代,索罗斯;库恩,丹尼尔;Esfahani,Peyman Mohajerin:通过大规模运输实现正规化(2019年)
  8. 威格曼,威廉;登布钦斯基,克孜什托夫;Hüllermeier,Eyke:多目标预测:问题与方法的统一观点(2019)
  9. 周,乔伊天一;潘,辛诺嘉林;Tsang,Ivor W.:混合异质迁移学习的深度学习框架(2019)
  10. 艾哈迈德,沙霍尔;Chang,Loong Fah:用于场景理解的平面均匀纹理的鲁棒检测和仿射校正(2018)
  11. 华丽的,雷米;库图里,马可;科蒂,尼古拉斯;Rakotomamongy,Alain:Wasserstein判别分析(2018)
  12. 李俊;张和友;杨健;罗、卫;傅云:学习群体稀疏深度叠加网络的视觉表征与分类(2018)
  13. 秦、尧;冯梦阳;鲁鄂川;Cottrell,Garrison W.:视觉显著性的层次细胞自动机(2018)
  14. 郑,查尔斯;阿坎塔,拉基什;Benjamini,Yuval:推断大型多类问题的预期精度(2018年)
  15. 罗德纳,埃里克;亚历山大·弗雷塔格;波德塞姆,保罗;弗里希,比约恩;Denzler,Joachim:视觉识别任务的广义直方图交集核的大规模高斯过程推理(2017)
  16. 维玛,亚沙斯维;Jawahar,C.V.:从语义邻域传播标签的图像注释(2017)
  17. 雅罗斯拉夫加宁;乌斯季诺娃,叶夫根尼娅;阿贾坎,哈娜;热尔曼,帕斯卡;拉罗谢尔,雨果;拉维奥莱特,弗朗索瓦;马钱德,马里奥;Lempitsky,Victor:神经网络领域对抗性训练(2016)
  18. 库乌,伍特·M。;范德马滕,劳伦斯J.P。;克里特,杰西H。;Loog,Marco:功能级域适应(2016)
  19. 麦克唐纳,安德鲁M。;庞蒂尔,马西米利亚诺;Stamos,Dimitris:(k)的新视角——支持和集群规范(2016)
  20. 周培成;程、公;刘振宝;卜淑慧;胡新涛:基于深部特征转移和负自举的遥感图像弱监督目标检测(2016)