最新論文閱讀(29)
RAN: Radical analysis networks for zero-shot learning of Chinese characters
- 2017年11月
-
- 中科大
用於漢字識別(其特點就是漢字太多但基礎結構大約只有500個);提出基礎結構分析網路(Radical Analysis Networks,RAN);網路結構是CNN編碼器+RNN解碼器;是一種zero-shot learning
Attentional Pooling for Action Recognition
- 2017年11月
-
- 卡內基梅隆大學
用於行為識別和人物件互動任務(human object interaction tasks);rink-pooling;雙線性的低秩pooling方法(用於細粒度分類)
A Fully Convolutional Tri-branch Network (FCTN) for Domain Adaptation
- 2017年11月
- 領域自適應,語義分割;
- 洛杉機南加州大學
用於城市場景分割的領域適應方法;提出fully convolutional tri-branch network (FCTN),是FCN,其中兩個分支將偽標籤分配給未標記的目標域中的影象,而第三分支在基於偽標籤目標域中的影象的監督下訓練。重新貼標籤和重新訓練過程交替。
三分支網路逐步學習目標特定的判別式表示,在synthetic (GTA) and real (Cityscapes) images資料集上進行實驗,實驗結果表明分段器的跨域能力提高。
MicroExpNet: An Extremely Small and Fast Model For Expression Recognition From Frontal Face Images
- 2017年11月
- 輕量化的網路;用於面部表情識別
- 中東工業大學【土耳其】
為正面人臉影象中的面部表情識別(FER)問題創建極小的快速卷積神經網路(CNN)。
網路結構超簡單(比lenet還簡單)。
我們表明,對於FER,翻譯不變性(通過最大池層來實現)會降低效能,特別是當網路較小時;使用知識蒸餾方法(Student-Teacher)可以用來獲得極度壓縮的CNN。
實驗在兩個常用的FER資料集CK+和Oulu-CASIA上。
有程式碼!
MegDet: A Large Mini-Batch Object Detector
- 2017年11月
- 加速訓練的演算法
- 北大,face++
用於物體檢測任務,主要研究的是加速訓練,提高 batch size 來實現目標檢測。
最近基於CNN的物件檢測工作的改進主要來自新網路或框架或損失設計。但是,小批量訓練的關鍵因素還沒有得到很好的研究。
在本文中,我們提出了一種大型小批量物體檢測器(MegDet),可以實現比以前更大的小批量(例如從16到256)的訓練,以便我們可以有效地利用多個GPU(高達128英寸我們的實驗)顯著縮短訓練時間。
從技術上講,我們建議採用學習率策略和跨GPU批量標準化,這些技術一起使我們能夠在更短的時間內(例如從33小時到4小時)成功培訓大型小批量檢測器,並獲得更高的精度。
Face Attention Network: An Effective Face Detector for the Occluded Faces
- 2017年11月
- 用於遮擋人臉的人臉檢測;Face Attention Network (FAN)
- 北航;face++
實驗在WiderFace和MAFA上。
網路結構簡單,使用resnet作為基礎網路,並用skip得到feature金字塔,最後用接著cls-reg-attention subnet。
Feature Agglomeration Networks for Single Stage Face Detection
- 2017年12月
- 就是基於特徵金字塔網路(FPN),結合提出的concat模組和分層loss
- 新加坡管理大學;浙大;DeepIR(深圖智服)
實時地人臉檢測。
we construct our FAN architecture using a new Agglomerative Connection module and further propose a Hierarchical Loss to effectively train the FAN model.
The Enhanced Hybrid MobileNet
- 2017年12月
- 增強混合mobilenet;無價值
- 臺灣師範大學
其實就是,mobilenet的分離卷積模組的channel數,變多或變少,然後做實驗比較一下,實際資料佔了大部分內容。
Symbol detection in online handwritten graphics using Faster R-CNN
- 2017年12月
- 手寫圖形中的符號檢測(流程圖、數學表示式等)
- 聖保羅大學【美】
線上手寫圖形(例如圖表和數學表示式)中的符號檢測技術由專門為單一圖形型別設計的方法組成。
論文以faster-RCNN作為檢測手寫圖形中符號的一般方法。評估該網路使用不同配置,並指出與資料的手寫本質有關的問題。
在公開可用的流程圖和數學表示式(CROHME-2016)資料集上評估方法。結果顯示,flowchart和CROHME-2016資料集都可以有效地使用faster-RCNN。