壮举

OverFeat:使用卷积网络集成识别、定位和检测。我们提出了一个使用卷积网络进行分类、定位和检测的集成框架。我们展示了如何在ConvNet中有效地实现多尺度滑动窗口方法。我们还介绍了一种新的深度学习方法,通过学习预测对象边界来定位。然后累加而不是抑制边界框,以增加检测置信度。我们证明了使用一个共享网络可以同时学习不同的任务。该集成框架是2013年ImageNet大规模视觉识别挑战赛(ILSVRC2013)定位任务的获胜者,在检测和分类任务中获得了非常有竞争力的结果。在赛后工作中,我们为检测任务建立了一种新的状态。最后,我们从我们最好的模型中发布了一个叫做OverFeat的特性提取器。


zbMATH中的参考文献(参考文献17条)

显示第1到17个结果,共17个。
按年份排序(引用)

  1. 贾、范;刘军;泰雪成:正则化卷积神经网络在语义图像分割中的应用(2021)
  2. Mark Weber,Wang Huiyu Wang,Siyuan Qiao,Jun Xie,Maxwell D.Collins,Yukun Zhun,Liangzhe Yuan,Dahun Kim,Qihang Yu,Daniel Cremers,Laura Leal Taixe,Alan L.Yuille,Florian Schroff,Hartwig Adam,Liang Chieh Chen:DeepLab2:深层标记的TensorFlow库(2021)阿尔十四
  3. 阿瑞奇,西蒙;马斯,彼得;厄克特姆,奥赞;Schönlieb,Carola Bibiane:使用数据驱动模型求解反问题(2019)
  4. 郑志云;杨,玄S。;京畿道月亮:使用卷积神经网络和多尺度边缘检测检测检测地平线的新方法(2019)
  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. Mäkinen,伊米尔;坎尼亚宁,朱荷;加布吉,蒙塞夫;Iosifidis,Alexandros:预测股票价格的跳跃式增长:使用限价订单数据的新的基于注意力的网络架构(2019年)
  7. 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)
  8. 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)
  9. 刘、余;陈勋;程娟;彭、胡;王增福:基于卷积神经网络的红外与可见光图像融合(2018)
  10. 苏尔塔纳,纳兹尼恩北部。;Puhan,N.B.:黑色素瘤检测的最新深度学习方法:回顾(2018)
  11. 费里,阿明;贝拉斯科·福雷罗,圣地亚哥;Meyer,Fernando:Prior-based Hierarchy segmentation highlighting structures of interest(2017年),Meyer,Fernando:基于先验的层次分割法,突出兴趣结构(2017年)
  12. 安塞尔米,法比奥;罗萨斯科,洛伦佐;Poggio,Tomaso:论表征学习中的不变性和选择性(2016)
  13. Marius Cordts,Mohamed Omran,Sebastian Ramos,Timo Rehfeld,Markus Enzweiler,Rodrigo Benenson,Uwe Franke,Stefan Roth,Bernt Schiele:语义城市场景理解的城市景观数据集(2016)阿尔十四
  14. 周培成;程、公;刘振宝;回回、舒布;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)
  15. 阿里加,罗莎一世。;拉特,大卫;卡克马克,玛雅人;Vempala,Santosh S.:随机投影视觉分类(2015)
  16. 费尔南德斯,托马斯;von der Malsburg,Christoph:恒定光纤投影控制电路的自组织(2015)
  17. Schmidhuber,Jürgen:神经网络的深度学习:概述(2015)IO端口