Latent hypernet: Exploring all Layers from Convolutional Neural Networks
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学)
由于卷积神经网络(ConvNets)能够同时学习特征和分类器来区分不同类别的活动,最近的工作采用ConvNets方法来执行基于可穿戴传感器的人类活动识别(HAR),从而允许去除昂贵的人工工作和专家知识。然而,这些方法的辨别能力主要受到组成网络的大量参数和可用于训练的样本数量减少的限制。受此启发,我们提出了一种准确而强大的方法,称为潜在超网络(LHN)。LHN使用来自早期层(hyper)的特征映射,并将它们单独投影到低维空间(latent)。然后,这些潜在特征被连接并呈现给分类器。为了证明LHN的鲁棒性和准确性,我们使用四种不同的网络架构在五个公开的HAR数据集的基础上可穿戴传感器,不同的采样率和活动的数量进行评估。我们的实验表明,所提出的LHN能够产生丰富的信息,改善了原始ConvNets的结果。此外,该方法优于现有的最先进的方法。
2018-11-16 cs.CV
Online Video Super-Resolution with Convolutional Kernel Bypass Graft
the Hong Kong Polytechnic University(香港理工大学);Microsoft Research Asia(微软亚洲研究院)
近年来,基于深度学习的模型在视频超分辨率(VSR)方面取得了显著的性能,但这些模型大多不太适用于在线视频应用。这些方法仅考虑失真质量,而忽略了在线应用的关键要求,例如,低延迟和低模型复杂度。本文主要研究在线视频传输,其中要求采用VSR算法实时的逐帧生成高分辨率的视频序列。为了解决这些挑战,我们提出了一个极低的延迟VSR算法的基础上一种新的内核知识转移方法,命名为卷积核旁路移植(CKBG)。首先,我们设计了一个轻量级的网络结构,不需要未来的帧作为输入,并节省额外的时间成本缓存这些帧。然后,我们提出的CKBG方法通过使用“内核移植”绕过原始网络来增强这个轻量级的基础模型,这些内核移植是包含外部预训练图像SR模型的先验知识的额外卷积内核。在测试阶段,我们通过将嫁接的多分支网络转换为简单的单路径结构来进一步加速嫁接的多分支网络。实验结果表明,我们提出的方法可以处理高达110 FPS的在线视频序列,具有非常低的模型复杂度和竞争力的SR性能。
2022-08-04 cs.CV
Fully Convolutional Online Tracking
Nanjing University(南京大学)
在线学习已被证明对提高跟踪性能是有效的。然而,它可以简单地应用于分类分支,但由于其复杂的设计和对高质量在线样本的内在要求,适应回归分支仍然具有挑战性。为了解决这个问题,我们提出了完全卷积的在线跟踪框架,被称为FCOT,并专注于通过使用基于目标过滤器的跟踪范式来实现分类和回归分支的在线学习。我们的主要贡献是引入了一个在线回归模型生成器(RMG),用于使用在线样本初始化目标滤波器的权重,然后根据第一帧的地面真实样本优化此目标滤波器权重。基于在线RGM,我们设计了一个简单的无锚跟踪器(FCOT),由一个功能骨干,上采样解码器,多尺度分类分支,多尺度回归分支。由于RMG的独特设计,我们的FCOT不仅可以更有效地处理目标沿时间维度的变化,从而产生更精确的结果,但也克服了在跟踪过程中的误差积累的问题。此外,由于其设计简单,我们的FCOT可以以完全卷积的方式进行训练和部署,具有实时运行速度。拟议的FCOT在包括VOT 2018,LaSOT,TrackingNet,GOT-10k,OTB100,UAV123和NFS在内的七个基准上实现了最先进的性能。我们的FCOT的代码和模型已发布在:\url{https://github.com/MCG-NJU/FCOT}。
2021-09-26 cs.CV
Online Tracking by Learning Discriminative Saliency Map with Convolutional Neural Network
POSTECH(浦项科技大学);INRIA(法国国家信息与自动化研究所)
提出了一种利用卷积神经网络(CNN)学习判别显著图的在线视觉跟踪算法。给定一个在离线的大规模图像库上预先训练的CNN,我们的算法将网络隐藏层的输出作为特征描述符,因为它们在各种一般的视觉识别问题中表现出出色的表示性能。这些特征用于使用在线支持向量机(SVM)学习区分性目标外观模型。此外,在SVM的指导下,通过反向传播CNN特征构建目标特定的显著图,并基于显著图生成的外观模型获得每帧的最终跟踪结果。由于显著图有效地可视化了目标的空间结构,提高了目标定位精度,使我们能够实现像素级的目标分割。我们验证了我们的跟踪算法的有效性,通过广泛的实验上具有挑战性的基准,我们的方法说明了出色的性能相比,国家的最先进的跟踪算法。
2015-02-24 cs.CV
OSVNet: Convolutional Siamese Network for Writer Independent Online Signature Verification
Indian Institute of Information Technology, Sri City(斯里城印度信息技术学院);University of Mysore(迈索尔大学)
在线签名验证是作者身份识别和数字取证中最具挑战性的任务之一。由于个体内变异性大,准确地学习签名的个体内变异以实现更高的分类准确度是关键要求。为了实现这一点,在本文中,我们提出了一个基于深度卷积暹罗网络(DCSN)的OSV框架。DCSN基于度量损失函数自动提取鲁棒的特征描述,该损失函数降低了作者内部的变异性(伪迹-真实)并增加了个体间的变异性(伪迹-伪造),并指导DCSN对在线签名进行有效的区分性表示学习,并将其扩展为一次性学习框架。在三个被广泛接受的基准数据集MCYT-100(DB 1),MCYT-330(DB2)和SVC-2004-Task 2上进行的综合实验表明,我们的框架能够区分真伪样本。实验结果通过实现与许多最近的和最先进的OSV技术相比更低的出错率来确认基于深度卷积暹罗网络的OSV的效率。
2019-05-21 cs.CV
Scalable Online Convolutional Sparse Coding
Hong Kong University of Science and Technology(香港科技大学);University of Macau(澳门大学)
卷积稀疏编码(CSC)通过从数据中学习平移不变字典来改进稀疏编码。然而,现有的CSC算法在批处理模式下操作,并且在大型数据集上在空间和时间方面都是昂贵的。在本文中,我们通过使用在线学习来缓解这些问题。关键是重新制定的CSC目标,使卷积可以很容易地处理在频域和更小的历史矩阵是必要的。我们使用交替方向的乘法器(ADMM)来解决由此产生的优化问题和ADMM子问题有效率的封闭形式的解决方案。理论分析表明,学习字典收敛到一个稳定点的优化问题。大量的实验表明,该方法收敛速度快,重建效果好。此外,虽然现有的CSC算法只能在少量图像上运行,但所提出的方法可以处理至少十倍以上的图像。
2017-11-02 cs.CV
Online Convolutional Re-parameterization
Zhejiang University(浙江大学);Alibaba Cloud Computing Ltd.(阿里云计算有限公司)
结构重新参数化在各种计算机视觉任务中引起了越来越多的关注。它旨在提高深度模型的性能,而不引入任何推理时间成本。虽然在推理过程中是有效的,但这些模型严重依赖于复杂的训练时间块来实现高精度,导致大量的额外训练成本。在本文中,我们提出了在线卷积重新参数化(OREPA),这是一个两阶段的流水线,旨在通过将复杂的训练时间块压缩到单个卷积中来减少巨大的训练开销。为了实现这一目标,我们引入了一个线性缩放层,以更好地优化在线块。在降低训练成本的同时,我们还探索了一些更有效的参数化组件。与最先进的re-param模型相比,OREPA能够节省约70%的训练时间内存成本,并将训练速度提高约2倍。同时,在ImageNet平台上,基于OREPA的模型性能优于之前的方法,最高可达+0.6%。我们还对目标检测和语义分割进行了实验,并在下游任务上显示出一致的改进。代码可在https://github.com/JUGGHM/OREPA_CVPR2022上获得。
2022-04-02 cs.CV
Exploring Semi-Supervised Learning for Online Mapping
Chalmers University of Technology(查尔姆斯理工大学);Zenseact(森斯阿克特公司);Saab AB(萨博公司)
本文探索半监督学习在在线建图中的应用,提出融合多样本教师伪标签的方法,在仅10%标注数据下实现3.5倍性能提升,显著缩小与全监督模型的差距并增强对未见城市的泛化能力。
2025-04-07 cs.CV
Online Adaptation of Convolutional Neural Networks for Video Object Segmentation
RWTH Aachen University(亚琛工业大学)
我们解决了半监督视频对象分割的任务,即使用第一帧的地面真实像素掩码分割属于视频中对象的像素。我们建立在最近引入的单镜头视频对象分割(OSVOS)方法的基础上,该方法使用预训练的网络并在第一帧上对其进行微调。虽然取得了令人印象深刻的性能,但在测试时,OSVOS以不变的形式使用微调的网络,并且无法适应对象外观的大变化。为了克服这一局限性,我们提出了在线自适应视频对象分割(OnAVOS)更新网络在线使用训练样本的基础上选择的网络和空间配置的信心。此外,我们添加了一个基于对象的预训练步骤,这是在PASCAL上学习的。我们的实验表明,这两个扩展是非常有效的,并提高了国家的最先进的DAVIS上的交集超过工会得分为85.7%。
2017-08-01 cs.CV
Characters as Graphs: Recognizing Online Handwritten Chinese Characters via Spatial Graph Convolutional Network
University of Chinese Academy of Sciences(中国科学院大学)
中文是世界上使用最广泛的语言之一,但在线手写汉字识别(OLHCCR)仍然具有挑战性。在汉字识别中,一种常用的方法是对提取的特征图像采用二维卷积神经网络(2D-CNN),另一种方法是对提取的时间序列特征采用递归神经网络(RNN)或一维CNN。而不是查看字符作为静态图像或时间轨迹,在这里,我们建议表示字符的几何图形,同时保留空间结构和时间顺序。因此,我们提出了一种新的空间图卷积网络(SGCN),有效地分类这些字符图的第一次。具体来说,我们的SGCN通过空间图卷积结合了局部邻域信息,并进一步学习具有分层残差结构的全局形状属性。在IAHCC-UCAS 2016、ICDAR-2013和UNIPEN数据集上的实验表明,SGCN可以实现与最先进的字符识别方法相当的识别性能。
2020-04-20 cs.CV
Free-Space Detection with Self-Supervised and Online Trained Fully Convolutional Networks
Eindhoven University of Technology(埃因霍温理工大学)
最近,基于视觉的高级驾驶员辅助系统获得了广泛的关注。在这项工作中,我们研究自由空间检测,我们建议采用全卷积网络(FCN)。我们表明,该FCN可以以自我监督的方式进行训练,并实现与手动注释数据训练相似的结果,从而减少了对大型手动注释训练集的需求。为此,我们的自监督训练依赖于立体视觉视差系统,为基于颜色的FCN自动生成(弱)训练标签。此外,我们的自我监督培训促进了FCN的在线培训,而不是离线培训。因此,考虑到所应用的FCN相对较小,自由空间分析变得高度适应车辆遇到的任何交通场景。我们已经使用公开的数据和本文发布的新的具有挑战性的基准数据集验证了我们的算法。实验表明,与离线训练相比,在线训练的性能提高了5%,无论是Fmax还是AP。
2017-01-05 cs.CV
Improved Deep Convolutional Neural Network For Online Handwritten Chinese Character Recognition using Domain-Specific Knowledge
South China University of Technology(华南理工大学)
深度卷积神经网络(DCNN)在各种计算机视觉和模式识别应用中取得了巨大成功,包括手写体汉字识别(HCCR)。然而,目前大多数基于DCNN的HCCR方法将手写样本简单地视为图像位图,忽略了一些可能有用但无法通过传统网络学习的重要领域特定信息。在本文中,我们提出了一种增强的DCNN方法,通过结合各种特定领域的知识,包括变形,非线性归一化,虚构的笔画,路径签名和8方向特征,在线HCCR。我们的贡献是双重的。首先,研究这些特定于领域的技术,并将其与DCNN集成,以形成复合网络,从而提高性能。其次,使用混合串并行(HSP)策略将所得到的DCNN与其领域知识的多样性相结合。因此,我们在CASIA-OLHWDB 1.0和CASIA-OLHWDB 1.1上分别实现了97. 20%和96. 87%的有希望的准确性,优于文献中先前报道的最佳结果。
2015-05-28 cs.CV
SceneMixer: Exploring Convolutional Mixing Networks for Remote Sensing Scene Classification
College of Engineering(工程学院);University of Dubai(迪拜大学);Department of Geography(地理系);Simon Fraser University(西蒙弗雷泽大学);Department of Computer Science(计算机科学系);Tezpur University(泰朱普大学)
SceneMixer通过卷积混合网络提升遥感场景分类的准确性和效率。
2025-12-07 cs.CV
PrevPredMap: Exploring Temporal Modeling with Previous Predictions for Online Vectorized HD Map Construction
Ruqi Mobility(毫末智行);GAC R&D Center(广汽研究院)
本文提出PrevPredMap框架,利用先前预测进行在线矢量化高精地图构建的时序建模,通过基于先前预测的查询生成器和动态位置查询解码器,在nuScenes和Argoverse2上取得最先进性能。
2024-07-24 cs.CV
Training convolutional neural networks with cheap convolutions and online distillation
Xiamen University(厦门大学);National University of Singapore(新加坡国立大学)
卷积神经网络(CNN)中的大量存储器和计算消耗一直是将其部署在资源有限的系统上的主要障碍之一。为此,大多数廉价的卷积(例如,群卷积、深度卷积和移位卷积)最近已经被用于存储器和计算减少,但是具有特定的体系结构设计。此外,直接用这些廉价的卷积代替标准卷积会导致压缩网络的低分辨力。在本文中,我们提出使用知识蒸馏,以提高性能的紧凑型学生网络与廉价的卷积。在我们的例子中,教师是一个具有标准卷积的网络,而学生是教师架构的简单转换,无需复杂的重新设计。特别是,我们提出了一种新的在线蒸馏方法,该方法在线构建教师网络,无需预先训练,并进行教师和学生网络之间的相互学习,以提高学生模型的性能。大量的实验表明,与最先进的CNN压缩和加速方法相比,所提出的方法实现了卓越的性能,同时减少了不同数据集(包括CIFAR-10/100和ImageNet ILSVRC 2012)上尖端CNN的内存和计算开销。这些守则可在https://github.com/EthanZhangYC/OD-cheap-convolution上公开查阅。
2019-10-10 cs.CV
Exploring Self-attention for Image Recognition
CUHK(香港中文大学);Intel Labs(英特尔研究院)
最近的研究表明,自我注意力可以作为图像识别模型的基本构建块。我们探索自我注意力的变化,并评估其有效性的图像识别。我们考虑两种形式的自我关注。一个是成对自注意,它推广了标准的点积注意,基本上是一个集合算子。另一种是局部自我注意,它比卷积更强大。我们的成对自我注意力网络与卷积网络相匹配或优于卷积网络,而补丁模型的性能大大优于卷积基线。我们还进行了实验,探索学习表示的鲁棒性,并得出结论,自我注意网络可能在鲁棒性和泛化方面有显着的好处。
2020-04-28 cs.CV
Learning Spatial-Semantic Context with Fully Convolutional Recurrent Network for Online Handwritten Chinese Text Recognition
College of Electronic and Information Engineering, South China University of Technology(华南理工大学电子与信息工程学院);Oxford-Man Institute for Quantitative Finance, University of Oxford(牛津大学牛津曼定量金融研究所);Mathematical Institute, University of Oxford(牛津大学数学研究所);The Alan Turing Institute, University of Oxford(牛津大学艾伦·图灵研究所)
联机手写中文文本识别是一个具有挑战性的问题,因为它涉及到大规模的字符集,歧义切分和可变长度的输入序列。在本文中,我们利用出色的能力,路径签名在线笔尖轨迹转化为信息签名特征图使用基于滑动窗口的方法,成功地捕捉分析和几何性质的笔笔划具有很强的局部不变性和鲁棒性。提出了一种多空间上下文全卷积递归网络(MCFCRN),利用签名特征图中的多个空间上下文,生成预测序列,同时完全避免了难以分割的问题。此外,一个隐式的语言模型的开发进行预测的基础上的预测特征序列的语义上下文,提供了一个新的视角,结合词汇约束和先验知识的某种语言的识别过程。在Dataset-CASIA和Dataset-ICDAR两个标准基准上的实验取得了出色的结果,正确率分别为97.10%和97.15%,明显优于文献中迄今为止报道的最佳结果。
2017-05-25 cs.CV
Exploring Convolutional Networks for End-to-End Visual Servoing
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
目前基于图像的视觉伺服方法依赖于从图像中提取手工制作的视觉特征。选择正确的功能集非常重要,因为它直接影响任何方法的性能。受最近数据驱动方法在识别和定位任务上的性能突破的启发,我们的目标是学习适用于非结构化和未知环境中伺服任务的视觉特征表示。在本文中,我们提出了一个端到端的学习为基础的方法,视觉伺服在不同的场景中,相机参数和场景几何的知识是不可用的先验。这是通过在具有同步相机姿态的彩色图像上训练卷积神经网络来实现的。通过在模拟和四旋翼上进行的实验,我们证明了我们的方法在室内和室外环境中的各种相机姿势的有效性和鲁棒性。
2017-06-10 cs.CV cs.RO
Stroke Sequence-Dependent Deep Convolutional Neural Network for Online Handwritten Chinese Character Recognition
Harbin Institute of Technology Shenzhen Graduate School(哈尔滨工业大学深圳研究生院)
本文提出了一种新的模型,命名为笔划序列相关的深度卷积神经网络(SSDCNN),利用笔划序列信息和八个方向的特征进行联机手写汉字识别(OLHCCR)。一方面,SSDCNN可以学习在线手写汉字(OLHCC)的表示,通过纳入自然的笔画序列信息。另一方面,SSDCNN可以以自然的方式合并八个方向的特征。为了训练SSDCNN,我们将训练过程分为两个阶段:1)使用训练数据对整个体系结构进行预训练,直到性能趋于收敛。2)进一步训练了用于将基于笔划序列的八向特征表示与softmax层相结合的全连接神经网络。实验是在ICDAR 2013的OLHCCR竞赛任务上进行的。实验结果表明,与只使用8个方向特征的模型相比,SSDCNN可以将识别错误率降低50%(5.13vs2.56)。与ICDAR 2013竞赛上提交的最佳系统相比,所提出的SSDCNN实现了97.44%的准确率,将识别错误降低了约1.9%。这些结果表明,SSDCNN可以利用笔划序列信息来学习OLHCC的高质量表示。它还表明,学习的表示和经典的八方向特征在SSDCNN架构中相互补充。
2016-10-13 cs.CV
Online Convolutional Dictionary Learning
UCLA(加州大学洛杉矶分校);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
虽然最近已经提出了许多不同的算法用于卷积字典学习,但这仍然是一个昂贵的问题。从大型训练集学习的最大障碍是内存需求,由于所有现有方法都是批处理算法,内存需求至少与训练集的大小呈线性增长。本文报告的工作通过将在线词典学习思想扩展到卷积上下文来解决这一限制。
2017-08-30 cs.CV cs.LG eess.IV
Expresso : A user-friendly GUI for Designing, Training and Exploring Convolutional Neural Networks
Supercomputer Education and Research Centre(超级计算机教育与研究中心);Indian Institute of Science(印度科学学院)
为了给设计、训练和开发深度学习框架提供一个用户友好的界面,我们开发了Experiment,一个用Python编写的GUI工具。Experiment建立在Caffe之上,Caffe是一个开源的获奖框架,广泛用于开发卷积神经网络。Experiment提供了一个方便的向导式图形界面,引导用户完成各种常见场景-数据导入,深度网络的构建和训练,执行各种实验,分析和可视化这些实验的结果。Example的多线程特性支持并发执行和与上述场景相关的事件通知。Experiment中的GUI子组件和组件间接口在设计时考虑了可扩展性。我们相信Experiment的灵活性和易用性将为研究人员,新手和经验丰富的人,在他们与深度学习相关的探索中派上用场。
2015-10-18 cs.CV cs.NE
Targeted Gradient Descent: A Novel Method for Convolutional Neural Networks Fine-tuning and Online-learning
Johns Hopkins University(约翰斯·霍普金斯大学);Canon Medical Research USA, INC.(佳能医疗研究美国公司)
卷积神经网络(ConvNet)通常使用从相同分布中提取的图像进行训练和测试。将ConvNet推广到各种任务通常需要一个完整的训练数据集,该数据集由从不同任务中绘制的图像组成。在大多数情况下,几乎不可能先验地收集每个可能的代表性数据集。只有在ConvNet在临床实践中部署后,新数据才可用。然而,ConvNet可能会在分布外测试样本上生成工件。在这项研究中,我们提出了目标梯度下降(TGD),这是一种新的微调方法,可以将预训练的网络扩展到新任务,而无需重新访问先前任务的数据,同时保留从先前训练中获得的知识。在更进一步的程度上,所提出的方法还使得能够对患者特异性数据进行在线学习。该方法基于重用预训练ConvNet的冗余内核来学习新知识的思想。我们比较了TGD的性能,几种常用的训练方法的正电子发射断层扫描(PET)图像去噪的任务。来自临床图像的结果表明,TGD生成的结果与从头开始的训练相当,同时显着减少了数据准备和网络训练时间。更重要的是,它使在线学习的测试研究,以提高网络的泛化能力,在现实世界中的应用。
2021-09-29 cs.CV
Exploring the Design Space of Deep Convolutional Neural Networks at Large Scale
University of California, Berkeley(加州大学伯克利分校)
近年来,研究界发现,深度神经网络(DNN)和卷积神经网络(CNN)可以产生比以前所有解决广泛机器学习问题的解决方案更高的准确性。据我们所知,没有单一的CNN/DNN架构可以最佳地解决所有问题。相反,“正确的”CNN/DNN架构取决于手头的应用。CNN/DNN包括巨大的设计空间。定量地,我们发现CNN设计空间的一个小区域包含300亿个不同的CNN架构。在本论文中,我们开发了一种方法,使CNN的设计空间的系统探索。我们的方法包括以下四个主题。1.明智地选择基准和指标。2.快速训练CNN模型。3.定义和描述CNN设计空间。4.探索CNN架构的设计空间。综合起来,这四个主题构成了一个有效的方法,用于发现“正确的”CNN架构,以满足实际应用的需求。
2016-12-20 cs.CV cs.LG cs.NE
Deep Lip Reading: a comparison of models and an online application
University of Oxford(牛津大学)
本文的目标是发展最先进的唇读模型-视觉语音识别。我们开发了三种架构,并比较了它们的准确性和训练时间:(i)使用LSTM的递归模型;(ii)完全卷积模型;以及(iii)最近提出的Transformer模型。循环和完全卷积模型使用连接主义时间分类损失进行训练,并使用显式语言模型进行解码,Transformer是序列到序列模型。我们的最佳性能模型将具有挑战性的BBC-Oxford Lip Reading Sentences 2(LRS 2)基准数据集上的最先进单词出错率提高了20%以上。作为进一步的贡献,我们研究了全卷积模型用于在线(实时的)唇读连续语音时,并表明它实现了高性能与低延迟。
2018-06-15 cs.CV
Recurrently Exploring Class-wise Attention in A Hybrid Convolutional and Bidirectional LSTM Network for Multi-label Aerial Image Classification
German Aerospace Center (DLR)(德国航空航天中心);Technical University of Munich (TUM)(慕尼黑工业大学)
航空图像分类在遥感领域具有重要的意义,近年来国内外学者对此进行了大量的研究。在这些研究中,大多数研究集中在将图像分类为一个语义标签,而在现实世界中,航空图像通常与多个标签相关联,例如,多个对象级别的标签。此外,在一个给定的高分辨率航空图像中的当前对象的全面图片可以提供更深入的了解所研究的区域。因此,航空影像多标记分类越来越受到人们的关注。然而,社区中现有方法共享的一个共同限制是,各种类的同现关系(所谓的类依赖)未被充分探索,并导致轻率的决定。在本文中,我们提出了一种新的端到端网络,即基于类注意力的卷积和双向LSTM网络(CA-Conv-BiLSTM)。该网络由三个不可或缺的部分组成:1)一个特征提取模块,2)一个类注意力学习层,和3)一个双向LSTM为基础的子网络。特别地,特征提取模块被设计用于提取细粒度的语义特征图,而类注意力学习层旨在捕获区分性的类特定特征。作为最重要的部分,基于LSTM的双向子网络在两个方向上对底层的类依赖进行建模,并产生结构化的多个对象标签。在UCM多标签数据集和DFC 15多标签数据集上的实验结果从定量和定性上验证了该模型的有效性。
2019-12-13 cs.CV
Exploring Multimodal LMMs for Online Episodic Memory Question Answering on the Edge
Department of Mathematics and Computer Science, University of Catania, Italy(数学与计算机科学系,卡塔尼亚大学,意大利)
本文研究多模态大语言模型在边缘端实时在线事件记忆问答中的可行性,通过双线程架构实现视频转文本记忆与问答推理,实验显示边缘端方案在隐私保护方面具有竞争力。
2026-05-13 cs.CV
Fully-Convolutional Siamese Networks for Object Tracking
University of Oxford(牛津大学)
传统上,任意对象跟踪的问题是通过专门在线学习对象外观的模型来解决的,使用视频本身作为唯一的训练数据。尽管这些方法取得了成功,但它们的在线方法本质上限制了它们可以学习的模型的丰富性。最近,已经进行了几次尝试来利用深度卷积网络的表达能力。然而,当跟踪的对象是事先不知道的,它是必要的执行随机梯度下降在线,以适应网络的权重,严重损害了系统的速度。在本文中,我们配备了一个基本的跟踪算法与一个新的全卷积暹罗网络训练端到端的ILSVRC 15数据集的目标检测在视频中。我们的跟踪器以超过实时的帧率运行,尽管非常简单,但在多个基准测试中达到了最先进的性能。
2021-12-01 cs.CV
Fully Convolutional Networks for Continuous Sign Language Recognition
The Hong Kong University of Science and Technology(香港科技大学);Tencent(腾讯);Kwai Inc.(快手公司)
连续手语识别(SLR)是一个具有挑战性的任务,需要学习的空间和时间维度的签名帧序列。最近的工作通过使用CNN和RNN混合网络来实现这一点。然而,训练这些网络通常是不平凡的,并且它们中的大多数在学习看不见的序列模式时失败,导致在线识别的性能不令人满意。在本文中,我们提出了一个全卷积网络(FCN)的在线SLR同时学习空间和时间的功能,从弱注释的视频序列,只给出了字幕级注释。一个光泽特征增强(GFE)模块中引入了建议的网络,以加强更好的序列比对学习。所提出的网络是端到端可训练的,无需任何预训练。我们在两个大规模的SLR数据集上进行了实验。实验结果表明,该方法对连续SLR图像是有效的,并具有良好的在线识别性能。
2020-07-24 cs.CV
Exploring Polarimetric Properties Preservation during Reconstruction of PolSAR images using Complex-valued Convolutional Neural Networks
Université de Lorraine(洛林大学);CentraleSupélec(中央超导学院);CNRS(国家科学研究中心);LORIA(洛林研究所);Metz, France(法国梅斯)
本文提出复值卷积神经网络用于极化SAR图像重建,有效保持极化特性并提升SAR数据处理的物理建模能力。
2026-02-06 cs.CV eess.IV
Exploring Segment-level Semantics for Online Phase Recognition from Surgical Videos
The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong University of Science and Technology Shenzhen Research Institute(香港科技大学深圳研究院)
自动手术阶段识别在机器人辅助手术中起着至关重要的作用。现有的方法忽略了一个关键问题,即手术阶段应该通过学习段级语义来分类,而不是仅仅依赖于帧信息。本文提出了一种分段关注的层次一致性网络(SAHC)的手术阶段识别视频。其核心思想是提取层次高层次的语义一致的片段,并使用它们来改进由歧义帧引起的错误预测。为了实现这一点,我们设计了一个时间层次网络来生成层次高级别段。然后,我们引入了一个层次化的片段-帧注意模块来捕捉低层帧和高层片段之间的关系。通过一致性损失来正则化帧及其对应片段的预测,网络可以生成语义一致的片段,然后纠正由模糊的低级帧引起的错误分类预测。我们在两个公共手术视频数据集上验证SAHC,即,M2 CAI 16挑战数据集和Cholec 80数据集。实验结果表明,我们的方法优于以前的国家的最先进的和烧蚀研究证明了我们提出的模块的有效性。我们的代码已发布在:https://github.com/xmed-lab/SAHC。
2022-06-21 cs.CV
Exploring Temporal Preservation Networks for Precise Temporal Action Localization
National Laboratory for Parallel and Distributed Processing(并行与分布式处理国家重点实验室);National University of Defense Technology(国防科技大学)
时间动作定位是计算机视觉的一个重要任务。虽然已经提出了各种各样的方法,但如何精确地预测动作片段的时间边界仍然是一个悬而未决的问题。大多数作品使用段级分类器来选择由动作建议或密集滑动窗口预先确定的视频段。然而,为了实现更精确的动作边界,时间定位系统应该以细粒度进行密集预测。一项新提出的工作利用卷积-解卷积-卷积(CDC)滤波器对3D ConvNets的预测进行上采样,从而可以执行每帧动作预测,并在时间动作定位方面实现有希望的性能。然而,CDC网络部分地由于时间下采样操作而丢失时间信息。在本文中,我们提出了一个优雅而强大的时间保持卷积(TPC)网络,该网络为3D ConvNets配备了TPC过滤器。TPC网络可以完全保持时间分辨率,同时对空间分辨率进行下采样,从而实现帧级粒度动作定位。TPC网络可以以端到端的方式进行训练。在公开数据集上的实验结果表明,TPC网络在每帧动作预测方面取得了显着的改进,在片段级时间动作定位方面取得了竞争性的结果。
2017-09-11 cs.CV
Exploring Novel Pooling Strategies for Edge Preserved Feature Maps in Convolutional Neural Networks
National Institute of Technology Trichy(特里奇国家理工学院);Indian Institute of Technology Palakkad(帕拉卡德印度理工学院)
随着抗锯齿卷积神经网络(CNN)的引入,重新审视CNN中池化的方式已经有了一些复苏。抗混叠CNN的基本构建块是在池化操作之前应用高斯平滑,以减少由于混叠引起的失真,从而使CNN平移不变。基于小波的方法也被提出作为额外的噪声去除能力的可能性,并给出了有趣的结果,甚至分割任务。然而,所有提出的方法都是在假设高频成分是噪声的情况下完全去除高频成分。然而,通过去除高频分量,特征图中的边缘也被平滑。在这项工作中,一个详尽的分析的边缘保留池的分类,分割和自动编码器的选项。提出了两种新的池化方法,如拉普拉斯-高斯注意力级联(LGCA)池化和基于小波的近似细节系数注意力级联(WADCA)池化。结果表明,所提出的池化方法优于传统的池化以及模糊池化的分类,分割和自动编码器。
2021-10-17 cs.CV eess.IV
Exploring Vision-Language Models for Online Signature Verification: A Zero-Shot Capability Study
BiometricsAI, School of Engineering, Universidad Autonoma de Madrid, Spain(生物识别AI,工程学院,马德里自治大学,西班牙)
本文研究了最新视觉-语言模型在在线签名验证任务中的零样本性能,发现信号质量和伪造类型对性能有显著影响,尤其在高难度伪造场景中,基于链式推理的模型表现下降。
2026-05-14 cs.CV
Recurrent Fully Convolutional Networks for Video Segmentation
University of Alberta(阿尔伯塔大学)
图像分割是大多数视觉任务中的重要步骤。虽然卷积神经网络已被证明在单个图像分割上表现良好,但据我们所知,尚未对利用递归门控架构进行视频分割进行研究。因此,我们提出了一种新的方法,结合时间数据的视频序列的在线分割。该网络是由完全卷积的元素和递归单元构建的,该单元在时间数据上的滑动窗口上工作。我们还介绍了一种新的卷积门控递归单元,它保留了空间信息并减少了学习的参数。我们的方法的优点是,它可以在线工作,而不是在整个输入批次的视频帧操作。该网络在变化检测数据集上进行了测试,并被证明在每帧分割方面比普通全卷积网络的F-测量提高了5.5%。与我们称之为FCN 12的基线网络相比,它的F测量值也提高了1.4%。
2016-10-31 cs.CV
Exploring Temporal Context and Human Movement Dynamics for Online Action Detection in Videos
National Technical University of Athens(雅典国家技术大学)
如今,人类与机器人之间的交互不断扩大,要求越来越多的人体运动识别应用程序能够实时的操作。然而,大多数关于时间动作检测和识别的工作都是以离线方式执行这些任务的,即时间分割的视频被分类为一个整体。在本文中,基于最近提出的时间递归网络的框架,我们探讨如何时间上下文和人体运动动态可以有效地用于在线动作检测。我们的方法使用各种最先进的架构,并适当地结合提取的特征,以提高动作检测。我们评估我们的方法上的一个具有挑战性的,但广泛使用的数据集的时间动作定位,THUMOS'14。我们的实验表明,与基线方法相比,我们的算法有了显著的改进,在THUMOS'14上获得了最先进的结果。
2021-06-26 cs.CV cs.HC cs.RO
Exploring Visual Embedding Spaces Induced by Vision Transformers for Online Auto Parts Marketplaces
Baylor University(贝勒大学)
本研究探索视觉Transformer(ViT)生成在线汽车配件市场图像视觉嵌入的能力,通过单模态数据提取嵌入、UMAP降维可视化、K-Means聚类分类,评估其检测非法活动模式的潜力,为相关欺诈检测提供基础。
2025-02-09 cs.CV cs.LG
LOGO-Net: Large-scale Deep Logo Detection and Brand Recognition with Deep Region-based Convolutional Networks
Singapore Management University(新加坡管理大学);Alibaba Group(阿里巴巴集团)
从图像中检测徽标有许多应用,特别是用于品牌识别和知识产权保护。现有的大多数标识识别和检测研究都是基于小规模的数据集,在探索新兴的深度学习技术时不够全面。在本文中,我们介绍了“LOGO-Net”,一个大规模的标志图像数据库的标志检测和品牌识别从现实世界的产品图像。为了便于研究,LOGO-Net有两个数据集:(i)“logo-18”由18个logo类、10个品牌和16,043个logo对象组成,(ii)“logo-160”由160个logo类、100个品牌和130,608个logo对象组成。我们描述的想法和挑战,构建这样一个大规模的数据库。这项工作的另一个关键贡献是将新兴的深度学习技术应用于徽标检测和品牌识别任务,并通过探索用于目标检测任务的几种最先进的基于深度区域的卷积网络技术来进行广泛的实验。该标识网将在http://logo-net.org/上发布
2015-11-13 cs.CV
First and Second Order Methods for Online Convolutional Dictionary Learning
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
卷积稀疏表示是一种具有结构化的、平移不变字典的稀疏表示形式。迄今为止,大多数卷积字典学习算法都以批处理模式操作,需要在学习过程中同时访问所有训练图像,这导致非常高的存储器使用率,并严重限制了可以使用的训练数据。然而,最近,许多作者已经考虑了在线卷积字典学习算法的设计,该算法提供了比批处理方法更好的存储器和计算成本与训练集大小的缩放。本文扩展了我们以前的工作,改进了我们以前算法的一些方面;提出了一个全新的算法,具有更好的性能,并且支持包含空间掩码以从不完整数据中学习;并对这些方法进行了严格的理论分析。
2018-06-16 cs.CV cs.LG eess.IV
Exploring Food Detection using CNNs
Universitat de Barcelona(巴塞罗那大学);Computer Vision Center(计算机视觉中心)
与慢性病的病因直接相关的最常见的关键因素之一是不健康的饮食消费。从这个意义上说,建立一个自动食品分析系统可以更好地了解所吃食物的营养信息,从而有助于采取纠正措施,以改善饮食。计算机视觉社区将其努力集中在视觉食品分析中涉及的几个领域,例如:食品检测,食品识别,食品定位,部分估计等。对于食品检测,使用卷积神经网络获得了现有技术中证明的最佳结果。然而,所有这些不同方法的结果都是在不同的数据集上得到的,因此不能直接比较。本文概述了食品检测的最新进展和基于GoogLeNet卷积神经网络方法、主成分分析和支持向量机的最佳模型,该模型在两个公共食品/非食品数据集上的性能优于现有技术。
2017-09-14 cs.CV
Exploring Credibility Scoring Metrics of Perception Systems for Autonomous Driving
University of California, Berkeley(加州大学伯克利分校)
自动驾驶和半自动驾驶车辆的感知算法可能会遇到错误的目标检测情况,例如道路上的物体分类错误,这可能导致违反安全规定和潜在的致命后果。虽然在目标检测算法和在线度量学习的鲁棒性方面已经做了大量的工作,但是很少有关于基准评分度量的研究来确定潜在误分类的任何可能的指标。重点放在探索的潜力,采取这些评分指标在线,以使AV作出基于感知的决定,实时约束。在这项工作中,我们将探索哪些指标(如果有的话)可以作为感知算法和对象检测器失败的在线指标。我们的工作提供了更好的设计原则和在线指标的特点,以准确地评估对象检测器的可信度的见解。我们的方法采用非对抗性和现实的扰动图像,我们评估各种定量指标。我们发现,离线指标可以被设计为考虑现实世界的腐败,如恶劣的天气条件,这些指标的分析可以提供一个过渡到设计在线指标。这是一个明确的下一步,因为它可以实现无错误的自动驾驶汽车感知和更安全的时间关键和安全关键决策。
2021-12-22 cs.CV cs.LG
Semi-supervised Learning for Convolutional Neural Networks via Online Graph Construction
深度学习最近取得的有希望的成就依赖于大量的标记数据。考虑到网络上丰富的数据,其中大多数根本没有标签。因此,重要的是要提高泛化性能,使用未标记的数据在监督任务与少数标记的实例。在这项工作中,我们重新审视了基于图的半监督学习算法,并提出了一种更适合深度卷积神经网络的在线图构造技术。我们考虑一种用于深度神经网络上的半监督学习的类EM算法:在前向传递中,基于网络输出构建图,然后将图用于损失计算,以帮助在后向传递中通过反向传播更新网络。我们证明了我们的在线方法的强度相比,传统的,其图形是静态的,但不够强大的功能表示事先。
2016-01-19 cs.CV cs.LG cs.NE
All You Need is Beyond a Good Init: Exploring Better Solution for Training Extremely Deep Convolutional Neural Networks with Orthonormality and Modulation
Hikvision Research Institute(海康威视研究院)
深度神经网络很难训练,并且随着深度的增加,这种困境变得更糟。这个问题的本质在于反向传播误差的大小,它将导致梯度消失或爆炸现象。我们表明,一个变种的正则化,利用不同的滤波器组之间的正交性可以缓解这个问题。此外,我们设计了一个后向误差调制机制的基础上,两个连续的参数层之间的准等距假设。配备了这两种成分,我们提出了几种新的优化解决方案,可用于训练特定结构(Conv-BNReLU的重复三重模块)的极深卷积神经网络(CNN),而无需从头开始任何快捷方式/身份映射。实验表明,我们提出的解决方案可以在CIFAR-10和ImageNet数据集上实现44层和110层普通网络的明显改进。此外,我们可以成功地训练普通CNN,以匹配剩余的同行的性能。此外,我们提出了新的原则,设计网络结构的启示所引发的正交性。结合残差结构,我们在ImageNet数据集上实现了比较性能。
2017-04-10 cs.CV cs.LG cs.NE
Exploring Linear Relationship in Feature Map Subspace for ConvNets Compression
Beihang University(北京航空航天大学);Griffith University(格里菲斯大学)
虽然对卷积神经网络(CNN)的研究进展迅速,但这些模型的实际部署往往受到计算资源和内存约束的限制。在本文中,我们通过提出一种新的过滤器修剪方法来压缩和加速CNN来解决这个问题。我们的工作是基于线性关系,确定在不同的特征地图子空间,通过可视化的特征地图。这种线性关系意味着CNN中的信息是冗余的。我们的方法通过将子空间聚类应用于特征图来消除卷积滤波器中的冗余。通过这种方式,网络中的大部分代表性信息可以保留在每个簇中。因此,我们的方法提供了一个有效的解决方案,过滤器修剪,大多数现有的方法直接删除过滤器的基础上简单的算法。所提出的方法与网络结构无关,因此它可以被任何现成的深度学习库采用。在不同网络和任务上的实验表明,我们的方法优于微调前的现有技术,并在微调后达到了最先进的结果。
2018-03-15 cs.CV
Learning Multi-Domain Convolutional Neural Networks for Visual Tracking
POSTECH(浦项科技大学)
我们提出了一种新的视觉跟踪算法的基础上,从一个有区别地训练卷积神经网络(CNN)的表示。我们的算法使用大量具有跟踪地面实况的视频来预训练CNN,以获得通用的目标表示。我们的网络由共享层和特定领域层的多个分支组成,其中域对应于单独的训练序列,每个分支负责二进制分类以识别每个域中的目标。我们训练的网络相对于每个域迭代地获得通用的目标表示在共享层。当跟踪新序列中的目标时,我们通过将预训练的CNN中的共享层与在线更新的新二进制分类层相结合来构建新网络。在线跟踪通过评估在先前目标状态周围随机采样的候选窗口来执行。与现有跟踪基准测试中的最新方法相比,该算法具有出色的性能。
2016-01-06 cs.CV
Exploring Convolutional Neural Networks for Rice Grain Classification: An Explainable AI Approach
National Centre for Physics (NCP)(国家物理中心(NCP));University of Central Punjab (UCP)(中旁遮普大学(UCP));Wenn ASA School of Informatics and Robotics(Wenn ASA信息学与机器人学院);Shanghai JiaoTong University(上海交通大学);Institute of Arts and Culture (IAC)(艺术与文化学院(IAC))
本文提出基于CNN的稻米分类自动框架,结合可解释AI技术提升分类准确性与决策透明度。
2025-11-27 cs.CV
GCNNMatch: Graph Convolutional Neural Networks for Multi-Object Tracking via Sinkhorn Normalization
Virginia Tech(弗吉尼亚理工大学)
提出了一种基于图卷积神经网络(GCNN)的多目标跟踪新方法,该方法基于特征提取和端到端特征匹配进行目标关联。基于图的方法将过去帧以及当前帧中对象的外观和几何形状都纳入特征学习任务中。这种新的范例使网络能够利用对象几何形状的“上下文”信息,并允许我们对多个对象的特征之间的交互进行建模。我们提出的框架的另一个核心创新是使用Sinkhorn算法在模型训练期间对对象之间的关联进行端到端学习。该网络被训练为通过考虑特定于MOT任务的约束来预测对象关联。实验结果表明,所提出的方法在最先进的在线方法中,在MOT '15,' 16,'17和' 20挑战中实现最佳性能的有效性。该代码可在www.example.com上获得。
2021-04-16 cs.CV
Curve-Structure Segmentation from Depth Maps: A CNN-based Approach and Its Application to Exploring Cultural Heritage Objects
University of South Carolina(南卡罗来纳大学);South Carolina Institute of Archaeology and Anthropology, University of South Carolina(南卡罗来纳大学南卡罗来纳考古与人类学研究所);Center for Digital Humanities, University of South Carolina(南卡罗来纳大学数字人文中心);Tianjin University(天津大学)
出于探索文化遗产对象的重要考古应用的动机,在本文中,我们研究了自动分割曲线结构的挑战性问题,这些曲线结构以高噪声深度图的形式在对象表面上非常弱地压印或雕刻。与大多数经典的低层图像分割方法对噪声和遮挡非常敏感不同,我们提出了一种新的基于卷积神经网络(CNN)的监督学习算法,以隐式地学习和利用更多的曲线几何和模式信息来解决这个具有挑战性的问题。更具体地说,我们首先提出了一个全卷积网络(FCN)来估计曲线结构的骨架,并在每个骨架像素处,估计一个尺度值来反映局部曲线宽度。然后,我们提出了一个密集的预测网络来细化估计的曲线骨架。基于估计的尺度值,我们最后开发了一个自适应阈值算法来实现曲线结构的最终分割。在实验中,我们验证了所提出的方法的深度图像数据集扫描出土的陶器碎片可以追溯到北美东南部的林地时期。
2017-11-22 cs.CV
Online Handwriting Trajectory Reconstruction from Kinematic Sensors using Temporal Convolutional Network
IRISA, Université de Rennes, INSA Rennes(IRISA研究所、雷恩大学、雷恩国立应用科学学院);IRISA, Université Rennes 2(IRISA研究所、雷恩第二大学);LETG(LETG机构)
本研究针对数字笔与数位板采样率差异问题,结合动态时间规整与时间卷积网络架构,构建新基准数据集,实现从运动传感器信号到在线手写轨迹的高精度重建。
2026-07-30 cs.CV cs.LG
Convolutional Gated Recurrent Networks for Video Segmentation
University of Alberta(阿尔伯塔大学)
语义分割最近取得了重大进展,其中全卷积神经网络表现良好。然而,大多数以前的工作集中在改善单图像分割。据我们所知,没有以前的工作已经利用了时间视频信息的循环网络。在本文中,我们介绍了一种新的方法,隐式地利用时间数据的视频在线语义分割。该方法依赖于嵌入到门控递归架构中的完全卷积网络。该设计接收一系列连续的视频帧,并输出最后一帧的分割。卷积门控递归网络用于递归部分,以保持图像中的空间连通性。我们提出的方法可以应用于在线和批量分割。该架构进行了测试的二进制和语义视频分割任务。实验在SegTrack V2、Davis、CityScapes和Synthia的最新基准上进行。在我们所有的实验中,使用递归的全卷积网络提高了基线网络的性能。也就是说,SegTrack 2和Davis的F测量值分别提高了5%和3%,Synthia的平均IoU提高了5.7%,CityScapes的分类平均IoU提高了3.5%。RFCN网络的性能取决于其基准全卷积网络。因此,RFCN架构可以被看作是一种通过利用视频中的时空信息来改进其基线分割网络的方法。
2016-11-21 cs.CV
Online Streaming Video Super-Resolution with Convolutional Look-Up Table
Zhejiang University(浙江大学);Tongji University(同济大学);University of Science and Technology of China(中国科学技术大学);Shanghai Jiao Tong University(上海交通大学);Microsoft Research Asia(微软亚洲研究院)
本文针对在线流媒体视频超分辨率问题,构建LDV-WebRTC基准数据集,提出卷积与LUT混合模型及专家混合LUT模块,在约100 FPS下实现720P超分辨率,性能优于现有LUT方法并媲美高效CNN方法。
2023-07-25 cs.CV eess.IV
ECONet: Efficient Convolutional Online Likelihood Network for Scribble-based Interactive Segmentation
King’s College London(伦敦国王学院)
提出ECONet,一种在线学习的卷积神经网络,用于基于涂鸦的交互式分割,通过补丁训练和加权交叉熵损失,在COVID-19肺部病变标注中Dice分数提高16%,执行时间减少3倍。
2022-03-29 cs.CV cs.LG eess.IV
Online Hand Gesture Recognition Using 3D Convolutional Neural Networks
School of Electronic Engineering and Computer Science(电子工程与计算机科学学院);Queen Mary, University of London(伦敦大学Queen Mary)
提出一种基于3D卷积神经网络的在线手势识别系统,通过滑动窗口优化实时视频流中的手势定位与分类,在Jester数据集上检测器准确率超98%,分类器超90%。
2026-05-22 cs.AI cs.CV
Exploring Real World Map Change Generalization of Prior-Informed HD Map Prediction Models
Nuro, Inc(努罗公司)
本文研究基于合成扰动先验训练的HD地图预测模型在真实世界地图变化中的泛化能力,通过大规模实验发现合成与真实变化间存在显著sim2real差距,限制模型实用性。
2024-06-05 cs.CV cs.RO
Detection of Alzheimers Disease from MRI using Convolutional Neural Networks, Exploring Transfer Learning And BellCNN
需要从医学图像自动诊断某些疾病,这可以帮助医疗从业者进一步评估治疗疾病。老年痴呆症是一种经常被误诊的疾病。阿尔茨海默病(以下简称AD)是由某些脑区萎缩和脑细胞死亡引起的,是痴呆和记忆丧失的主要原因[1]。MRI扫描揭示了这一信息,但萎缩区域对于不同的个体是不同的,这使得诊断更加棘手,并且经常被误诊[1,13]。我们相信,我们对这个特定问题的方法将通过预标记更可能具有AD的图像来提高评估质量。我们对此提出了两种解决方案;一种是迁移学习[9],另一种是Bell CNN [14],一种定制的卷积神经网络(Hear后称为CNN)。每种方法的优点和缺点也将在各自的章节中讨论。本项目使用的数据集由开放获取系列成像研究(以下简称OASIS)提供[2,3,4],其中包含400多名受试者,其中100人患有轻度至重度痴呆症。该数据集通过两种诊断标准标记这些受试者; MiniMental State Examination(简称MMSE)和临床痴呆评级(简称CDR)。这些是我们解决方案的先决条件的一些通用工具和概念; CNN [5,6],神经网络[10](以下简称NN),Python的Anaconda bundle,回归,Tensorflow [7]。关键词:阿尔茨海默病,卷积神经网络,BellCNN,图像识别,机器学习,MRI,OASIS,Tensorflow
2019-01-29 cs.CV cs.LG eess.IV