原创 16-Scribblesup_Scribble-supervised_convolutional_networks_for_semantic_segmentation
這篇文章提出了一種基於用戶交互的圖片分割訓練方法(ScribbleSup)。即訓練者只需要在圖片上的小部分區域進行標註(scribble annotation)即可訓練分割網絡。如下圖所示的標註方式（左圖：原圖；中圖：傳統的語義分
2018-12-23 17:53:56
2
原创 17-WILDCAT-Weakly-Supervised-Learning-of-DeepConvNets
who(對誰有效) 弱監督 圖像語義分割 where 只有圖像級標籤的數據 when CVPR 2017 what（WILDCAT是什麼） 這篇論文提出了一個框架，可以使用弱監督的方法識別一個物體顯著的局部特徵。 首先我
2018-12-23 17:53:56
3
原创 18-Object Region Mining with Adversarial Erasing
CVPR 2017-oral 背景 圖像語義分割是計算機視覺領域的核心研究問題之一。一般來講，訓練高性能的語義分割模型需要依賴於大量的像素級的人工標註（即標註每個像素點的語義信息）。然而，標註這類的訓練樣本非常困難，往往需要大
2018-12-14 17:32:44
原创 18-Learning Deep ResNet Blocks Sequentially using Boosting Theory
文章指出一種基於 boosting（提升）原理，逐層訓練深度殘差神經網絡的方法，並對性能及泛化能力給出了理論上的證明 參考 方法 框架 殘差網絡: gt+1(x)=f(gt(x))+gt(x)g_{t+1}(x)=f(g
2018-12-09 17:35:57
3
原创 18-Effective Use of Synthetic Data for Urban Scene Semantic Segmentation
動機 以前的方法（DeepLab）在合成數據訓練，在真實數據上不好 之前使用了domain adaptation解決，但是需要再訓練中使用真實數據 我們提出一種方法，基於 背景和前景在domain adaptation中影響不同，
2018-12-09 17:35:57
原创 《17.Deep Pyramidal Residual Networks》
what 殘差結構對比 本文也是一種殘差結構，只是逐漸增加特徵通道數，而不是像以前的一樣，在下采樣之後雙倍特徵圖。 why ResNet參數多了，刪除下采樣單元（雙倍特徵維度）仍然導致表現下降 how 每一個單元特徵
2018-12-01 00:03:21
7
原创 《18.CBAM- Convolutional Block Attention Module》
動機 之前有一篇論文提出了SENet，在feature map的通道上進行attention生成，然後與原來的feature map相乘。這篇文章指出，該種attention方法只關注了通道層面上哪些層會具有更強的反饋能力，但是在空
2018-11-30 23:59:01
原创 《2017-Xception Deep Learning with Depthwise Separable Convolutions》
本論文追求的不是準確率的提高，而是不降低準確率的前提下，減少參數數量，尋找更有的結構； 這篇論文是不錯的實驗模仿對象，以後做實驗可以按照本論文的思路探索； 動機 要解決什麼問題？ 探尋Inception的基本思路，並將這
2018-11-26 02:55:53
原创 《18.BAM- Bottleneck Attention Module》
動機 SENet在調整特徵權值的時候只是關注了通道間的信息， 本文將通道信息和位置信息分別用兩個注意力模型實現，然後融合來調整輸入特徵圖的權重。 網絡結構 下面是block可以加入的方式，在原來的網絡中加入來調整某些層的權重。
2018-11-26 02:55:53
原创 《Squeeze-and-Excitation Networks（SENet）》
解讀Squeeze-and-Excitation Networks（SENet） 動機 卷積神經網絡已被證明是解決各種視覺任務的有效模型。對於每個卷積層，沿着輸入通道學習一組濾波器來表達局部空間連接模式。 換句話說，期望卷積濾波
2018-11-26 02:55:53
2
原创 《17.Residual Attention Network for Image Classification》
動機 深度學習中的Attention，源自於人腦的注意力機制，當人的大腦接受到外部信息，如視覺信息、聽覺信息時，往往不會對全部信息進行處理和理解，而只會將注意力集中在部分顯著或者感興趣的信息上，這樣有助於濾除不重要的信息，而提升信息
2018-11-26 02:55:53
原创 《2017-Dual Path Networks》論文解讀
解讀Dual Path Networks（DPN，原創） 動機 以前方法的不足 ResNet： 側重於特徵的再利用，但不善於發掘新的特徵； DenseNet: 側重於新特徵的發掘，但又會產生很多冗餘； 優點 關於模型
2018-11-23 02:53:14
原创 《Learning to Compare: Relation Network for Few-Shot Learning》論文閱讀
通過對比實現少樣本或零樣本學習Learning to Compare: Relation Network for Few-Shot Learning 動機 我們就發現了，我們人之所以能夠識別一個新的東西，在於我們人的視覺系統天生
2018-11-19 23:13:56
2
原创 《2018-Deep Progressive Reinforcement Learning for Skeleton-based Action Recognition》
動機 這篇文章開篇就指出，我們的模型是要從人體動作的序列中選取出最informative的那些幀，而丟棄掉用處不大的部分。但是由於對於不同的視頻序列，挑出最有代表性的幀的方法是不同的，因此，本文提出用深度增強學習來將幀的選擇模擬爲一
2018-11-19 23:13:56
3