Получено с https://arxiv.org/abs/1811.12231 Резюме Одно из широко распространенных предположений заключается в том, что CNN объединяют низкоуровневые функции, такие как края, со все более сложными формами, такими как колеса, автомобильные окна, до тех пор, пока такой объект, как автомобиль, нельзя будет легко классифицировать. Они назвали это гипотезой формы . Эта гипотеза подтверждается рядом эмпирических данных. Методы визуализации, такие как деконволюционные сети, часто выделяют..

«Данные - это новое масло. Это ценно, но в неочищенном виде не может быть использовано. Его необходимо заменить на газ, пластик, химикаты и т. Д., Чтобы создать ценный объект, который будет стимулировать прибыльную деятельность; поэтому данные должны быть разбиты, проанализированы, чтобы иметь ценность ». - Клайв Хамби Глубокое обучение - революционная область, но для того, чтобы она работала должным образом, необходимы данные. Область, связанная с этими большими наборами данных,..

Документ: https://openaccess.thecvf.com/content_CVPR_2019/papers/Kornblith_Do_Better_ImageNet_Models_Transfer_Better_CVPR_2019_paper.pdf Обсуждение под руководством Stephen Tse и Felix Hohne , подгруппа Intelligent Systems Бумажная цель Часто неявно предполагается, что модели, которые хорошо работают в ImageNet, будут лучше работать и в других задачах CV. В этой статье проводится эмпирическое исследование того, действительно ли модели, обученные в ImageNet, работают лучше с..

Исследованы сети VGG Это абстрактное резюме нейронных сетей, занявших 2-е место в конкурсе ILSVRC-2014. Принцип конструкции меньший размер ядра, большая глубина. в то время как в известных сетях, таких как AlexNet (победитель ILSVRC-2012) и ZFNet (победитель ILSVRC-2013), использовались ядра больших размеров (11X11 с шагом 4 и 7X7 с шагом 2 соответственно), авторы VGGNet взяли другой подход, они использовали свертки 3x3 по всей сети (с шагом 1). Как это вообще возможно ?..