SegNet-論文筆記-理解
核心技術:
總體結構:
感覺其實和FCN思路十分相似,只是Encoder,Decoder(Upsampling)使用的技術不一致.此外SegNet的編碼器部分使用的是VGG16的前13層卷積網路,每個編碼器層都對應一個解碼器層,最終解碼器的輸出被送入soft-max分類器以獨立的為每個畫素產生類概率.
每個編碼器由數個藍色層(卷積層,批歸一化層,RELU層)以及一個Pooling層(2x2視窗,步進2,最大池化)組成,輸出相當於係數為2的下采樣.由於最大池化和子取樣的疊加，導致邊界細節損失增大，因此必須在編碼特徵圖中在sub-sampling之前捕獲和儲存邊界資訊.為了高效，文中只儲存了max-pooling indices.
突出貢獻:
分割的精度略好於FCN,總體效率也比FCN略高,
相關推薦
SegNet-論文筆記-理解
核心技術: 總體結構: 感覺其實和FCN思路十分相似,只是Encoder,Decoder(Upsampling)使用的技術不一致.此外SegNet的編碼器部分使用的是VGG16的
《Deformable Convolutional Networks》論文簡單理解筆記
作者：起名什麼的最煩啦 連結：https://zhuanlan.zhihu.com/p/27965213 來源：知乎 著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。 CNN由於固定的幾何結構，導致對幾何形變的建模受到限制。為了解決或減輕這個問題，這篇論文的工作
【ICCV 2017論文筆記】我們應當如何理解視訊中的人類行為？
搬運自我的知乎專欄：https://zhuanlan.zhihu.com/wzmsltw 。歡迎大家關注。 最近ICCV 2017公佈了論文錄用的情況，我照例掃了一遍論文列表尋找感興趣的文章。“What Actions are Needed for Understa
【論文筆記4】深入理解行人重識別網路的Loss
打完天池比賽後，可能由於長時間的持續輸出，精神上有些疲憊感，於是選擇去幹一些不是很費腦力的活兒，比如繼續充充電，看些論文補充一些理論知識。這兩天看了幾篇羅老師部落格裡總結的Person Re-Identification這塊的論文，包括羅老師自己發的兩篇論文。幾篇論文中都用到
論文筆記：目標追蹤-CVPR2014-Adaptive Color Attributes for Real-time Visual Tracking
exploit orm dom ons tail red 最好 早期 形式化 基於自適應顏色屬性的目標追蹤 Adaptive Color Attributes for Real-Time Visual Tracking 基於自適應顏色屬性的實時視覺追蹤 3月講的第一
論文筆記之 SST: Single-Stream Temporal Action Proposals
ron 我們 裁剪 只需要 lock proposal 數據 function 性能 SST: Single-Stream Temporal Action Proposals 2017-06-11 14:28:00 本文提出一種 時間維度上的 proposal
Selective Search for Object Recognition 論文筆記【圖片目標分割】
line 單個 介紹 images 分層 什麽 但是 如果 抽樣 這篇筆記，僅僅是對選擇性算法介紹一下原理性知識，不對公式進行推倒. 前言： 這篇論文介紹的是，如果快速的找到的可能是物體目標的區域，不像使用傳統的滑動窗口來暴力進行區域識別.這裏是使用算法從多個維度對找
Deep Learning論文筆記之（二）Sparse Filtering稀疏濾波
structure 分布 的確 tlab bolt 期望 有一個 尋找 mean Deep Learning論文筆記之（二）Sparse Filtering稀疏濾波 自己平時看了一些論文，但老感覺看完過後就會慢慢的淡忘，某一天重新拾起來的時候又好像沒有
Semi-supervised Segmentation of Optic Cup in Retinal Fundus Images Using Variational Autoencoder 論文筆記
str 很好 流程 Coding 測試 eat www tin nal MICCAI 2017年論文 Overview： 視杯視盤精確分割後，就可以計算杯盤比了，杯盤比是青光眼疾病的主要manifestation。以往的方法往往采用監督學習的方法，這樣需要大量的精確像素
論文筆記之：Collaborative Deep Reinforcement Learning for Joint Object Search
region format es2017 join sid col str bottom respond Collaborative Deep Reinforcement Learning for Joint Object Search CVPR 2017 Motiva
論文筆記-Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation
mach default rap lin -s rnn alias for wrap 針對機器翻譯，提出 RNN encoder-decoder. encoder與decoder是兩個RNN，它們放在一起進行參數學習，最大化條件似然函數。 網絡結構： 註意輸入語句與
論文筆記-Sequence to Sequence Learning with Neural Networks
map tran between work down all 9.png ever onf 大體思想和RNN encoder-decoder是一樣的，只是用來LSTM來實現。 paper提到三個important point： 1）encoder和decoder的LSTM
論文筆記-Deep Interest Network for Click-Through Rate Prediction
圖片 res 興趣 log through deep pre 出發 amp 重點：認為不同的廣告會觸發用戶的興趣點不同導致user embedding隨之改變。 DIN網絡結構如下圖右邊 DIN的出發點：認為不同的廣告會觸發用戶的興趣點不同導致user embedd
論文筆記-DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
contain feature 比較 san date res 離散 edi post 針對交叉（高階）特征學習提出的DeepFM是一個end-to-end模型，不需要像wide&deep那樣在wide端人工構造特征。 網絡結構： sparse feature
論文筆記-Item2Vec- Neural Item Embedding for Collaborative Filtering
href resource 數據 per con doc 訂單 優化 div 將word2vec思想拓展到序列item的2vec方法並運用到推薦系統中，實質上可以認為是一種cf 在word2vec中，doc中的word是具有序列關系的，優化目標類似在max對數似然函數
論文筆記-Neural Machine Translation by Jointly Learning to Align and Translate
tps idt 個人理解 att date eight default con ati 提出attention機制，用於機器翻譯。 背景：基於RNN的機器翻譯 基本思路是首先對語言x進行編碼encoder，然後解碼decoder為語言y。encoder和decoder可
論文筆記-Wide & Deep Learning for Recommender Systems
wiki body pos ear recommend sys con 損失函數 wrapper 本文提出的W&D是針對rank環節的模型。 網絡結構： 本文提出的W&D是針對rank環節的模型。 網絡結構： wide是簡單的線性模型，但
論文筆記-Personal Recommendation Using Deep Recurrent Neural Networks in NetEase
use clas max onf 一位 url base 輸入 ont 思路：利用RNN對用戶瀏覽順序建模，利用FNN模擬CF，兩個網絡聯合學習 RNN網絡結構： 輸出層的state表示用戶瀏覽的某一頁面，可以看做是一個one-hot表示，state0到3是依次瀏覽的
論文筆記-Joint Deep Modeling of Users and Items Using Reviews for Recommendation
一個 solved default view http ati onf 評分 分享 基本思路：利用用戶和商品的評論構建CNN預測評分。 網絡結構： user review網絡與 item review網絡結構一致，僅就前者進行說明 從user review tex
【論文筆記】T Test
nor thum pan n-1 統計學 for nes 其它 align 用來算兩組數的差別大小 只要是一種叫做p-value的 就是說假如你測定一個實驗的p-value是5%也就是說你有95%的信心確定這個實驗它是正確的在正規的實驗裏 只有當p-value小於5%的時候