Очень глубокие сверточные сети для масштабного распознавания изображений
Very Deep Convolutional Networks for Large-Scale Image Recognition
2014-09-04
SCID: 54.1/qv9azsyz
Discuss with AI
16–19 слоёв с весамисверточные фильтры 3x3ImageNet Challenge 2014распознавание изображений в масштабеочень глубокие сверточные сети
Figures from the paper
Abstract (AI)
В этой работе мы изучаем влияние глубины сверточной сети на точность в задаче масштабного распознавания изображений. Наш основной вклад — тщательная оценка сетей с возрастающей глубиной на архитектуре с очень малыми (3×3) свёрточными фильтрами, которая показывает, что значительное улучшение по сравнению с предыдущими подходами может быть достигнуто при увеличении глубины до 16–19 весовых слоёв. Эти результаты легли в основу нашей заявки на ImageNet Challenge 2014, где наша команда заняла первое и второе места в задачах локализации и классификации соответственно. Мы также показываем, что наши представления хорошо обобщаются на другие наборы данных, где они демонстрируют достижения уровня state-of-the-art. Мы опубликовали две наши наилучшие модели ConvNet, чтобы способствовать дальнейшим исследованиям по использованию глубоких визуальных представлений в компьютерном зрении.
Key Findings
1
Увеличение глубины сверточной сети с очень малыми фильтрами 3x3 существенно улучшает точность при распознавании изображений в больших масштабах.
2
Увеличение глубины сети до 16–19 слоёв с весами даёт значительное улучшение по сравнению с предыдущими конфигурациями.
3
Полученные глубокие представления хорошо обобщаются на другие датасеты и дают результаты, соответствующие состоянию искусства.
4
Их глубокие модели заняли первое и второе места в конкурсах ImageNet Challenge 2014 по локализации и классификации соответственно.
5
Две наилучшие модели ConvNet были опубликованы для содействия дальнейшим исследованиям.
Research Object
Очень глубокие сверточные сети (ConvNet) с малыми (3x3) свёрточными фильтрами, обученные для задач крупномасштабной распознавания изображений
Research Subject
Влияние глубины сети (увеличение до 16–19 весовых слоёв) на точность классификации и локализации и обобщаемость полученных визуальных представлений на другие наборы изображений
Publication Details
Publication Date
2014-09-04
Journal
Publisher
ISSN
Cited by
105724
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью20
Глубокое остаточное обучение для распознавания изображений2016
Swin Transformer: Иерархический визуальный трансформер с использова́нием сдвинутых окон2021
Сети Squeeze-and-Excitation2018
Переосмысление архитектуры Inception для компьютерного зрения2016
Непарный перенос изображений с помощью циклически согласованных состязательных сетей2017
Обзор методов аугментации изображений для глубокого обучения2019
Агрегированные остаточные преобразования для глубоких нейронных сетей2017
Фотореалистичное повышение разрешения одиночного изображения с использованием генеративной состязательной сети2017
Нелокальные нейронные сети2018
Обучение глубоких признаков для дискриминативной локализации2016
ECA-Net: Эффективное канальное внимание для глубоких сверточных нейронных сетей2020
ShuffleNet: чрезвычайно эффективная сверточная нейронная сеть для мобильных устройств2018
За пределами гауссовского шумоподавителя: республивая (Residual) обучаемая глубокая сверточная нейронная сеть для удаления шума с изображений2017
Обзор глубокого обучения: концепции, архитектуры сверточных нейронных сетей, проблемы, применения и перспективные направления2021
Перенос стиля изображения с использованием сверточных нейронных сетей2016
Глубокие сверточные нейронные сети для автоматизированного обнаружения: архитектуры CNN, характеристики наборов данных и перенос обучения2016
mixup: За пределами эмпирической минимизации риска2017
Обнаружение объектов с помощью глубокого обучения: обзор2019
Генеративные состязательные сети с методом наименьших квадратов2017
Глубокое обучение в анализе медицинских изображений2017