Towards Searching Efficient and Accurate Neural Network Architectures in Binary Classification Problems
Drexel University（德雷塞尔大学）
近年来，深度神经网络在机器学习和模式识别方面取得了巨大成功。神经网络的架构大小对任何神经网络的成功都有很大的贡献。在这项研究中，我们通过研究不同的搜索算法来优化选择过程，以找到一个神经网络架构的大小，产生最高的准确性。我们在一个定义良好的二进制分类网络搜索空间上应用二进制搜索，并将结果与线性搜索的结果进行比较。我们还提出了如何放松一些关于数据集的假设，使我们的解决方案可以推广到任何二进制分类问题。我们报告了一个100倍的运行时间改进的天真的线性搜索时，我们应用二进制搜索方法，我们的数据集，以找到最佳的架构候选人。通过快速找到任何二进制分类问题的最佳架构大小，我们希望我们的研究有助于发现在机器学习中优化架构大小选择的智能算法。
2021-01-16 cs.AI cs.LG
Advancements in Image Classification using Convolutional Neural Network
University of Gour Banga（古尔班加大学）；Visva-Bharati University（维斯瓦巴拉蒂大学）
卷积神经网络（CNN）是图像分类的最新研究成果。在这里，我们简要讨论了CNN的不同组件。在本文中，我们解释了不同的CNN架构的图像分类。通过本文，我们展示了CNN从LeNet-5到最新SENet模型的进步。我们讨论了每个模型的模型描述和训练细节。我们还对这些模型进行了比较。
2019-05-08 cs.AI cs.CV
Neural Networks for Joint Sentence Classification in Medical Paper Abstracts
MIT（麻省理工学院）
现有的基于人工神经网络（ANN）的句子分类模型通常不包含句子出现的上下文，并单独对句子进行分类。然而，传统的句子分类方法已被证明大大受益于联合分类后续句子，如条件随机场。在这项工作中，我们提出了一个人工神经网络架构，结合了典型的人工神经网络模型的有效性，孤立地对句子进行分类，结构化预测的强度。我们的模型在两个不同的数据集上实现了最先进的结果，用于医学摘要中的顺序句子分类。
2016-12-15 cs.AI cs.CL cs.NE
Process mining classification with a weightless neural network
Federal Centre for Engineering Studies and Technological Education - CEFET/RJ（联邦工程与技术教育中心 - CEFET/RJ）
使用一个轻量级的神经网络架构WiSARD，我们提出了一个简单的图形视网膜编码表示业务流程图流避免内核，我们提出了WiSARD如何优于分类性能与小训练集的过程挖掘上下文中。
2020-09-25 cs.AI
Multidimensional data classification with artificial neural networks
多维数据分类是许多天体粒子实验中的一个重要且具有挑战性的问题。神经网络在多维数据分类中具有通用性和鲁棒性。在这篇文章中，我们将研究的分类从强子的魔术实验。两个神经网络已被用于分类任务。一种是基于监督学习的多层感知器，另一种是基于无监督学习技术的自组织映射（SOM）。结果已经显示，并提出了组合这些网络的可能方法，以产生更好，更快的分类结果。
2004-12-06 cs.AI cs.NE
DeepFlorist: Rethinking Deep Neural Networks and Ensemble Learning as A Meta-Classifier For Object Classification
University of Melbourne（墨尔本大学）
本文提出DeepFlorist花卉分类范式，以集成学习作为元分类器，结合DCNN与CNN提取特征，在基准数据集上取得优于现有方法的准确率与鲁棒性，推动了植物分类与生态研究应用。
2023-07-04 cs.AI cs.CV cs.DC
Automatic Classification using Self-Organising Neural Networks in Astrophysical Experiments
自组织映射（SOM）是解决分类问题的有效工具，近年来发展了一种更强大的动态增长神经网络。自动分类（也称聚类）是许多天体物理实验中的一个重要而又困难的问题，如伽玛射线暴分类、伽玛强子分离等。在简单介绍了分类问题之后，我们将在第2节讨论自组织映射。第3节讨论了生长神经网络的各种模型，最后在第4节中，我们讨论了生长神经网络在天体物理问题中的有效分类的研究前景。
2003-07-16 astro-ph cs.AI cs.NE
BraidNet: procedural generation of neural networks for image classification problems using braid theory
Russian Academy of Sciences（俄罗斯科学院）
在这篇文章中，我们提出的方法，神经网络的过程优化的基础上，结合信息论和编织理论。本文中研究的网络使用编织股之间的交叉点实现，以及简化的网络（具有没有交叉点的股的网络和简单的卷积深度神经网络），用于解决多类图像分类的各种问题，使我们能够分析所提出的架构的相对有效性。仿真结果表明，编织网的学习速度和分类精度的比较优势。
2021-04-20 cs.AI cs.IT cs.LG
Robust-by-Design Classification via Unitary-Gradient Neural Networks
Scuola Superiore Sant’Anna（圣安娜高等研究院）
由于存在对抗攻击，在安全关键系统中使用神经网络需要安全和鲁棒的模型。知道任何输入x的最小对抗扰动，或者等价地，知道x与分类边界的距离，允许评估分类鲁棒性，提供可验证的预测。不幸的是，用于计算这种距离的现有技术在计算上是昂贵的，因此不适合在线应用。这项工作提出了一种新的分类器家族，即符号距离分类器（SDC），从理论角度来看，直接输出x与分类边界的精确距离，而不是概率得分（例如，SoftMax）。SDC代表了一系列鲁棒设计分类器。为了实际解决SDC的理论要求，提出了一种新的网络结构，称为酉梯度神经网络。实验结果表明，所提出的架构近似于一个有符号的距离分类器，因此允许一个在线的可证明的分类x的成本一个单一的推理。
2022-09-09 cs.AI cs.LG math.DG
Explaining Spectrograms in Machine Learning: A Study on Neural Networks for Speech Classification
The University of Auckland（奥克兰大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本研究通过类激活映射分析神经网络在元音分类中的判别模式，揭示了频谱图中的关键频率特征，并与语言学知识对比，提升了模型可解释性并为改进语音识别提供见解。
2024-07-10 cs.AI cs.CL eess.AS
Arrhythmia Classification Using Graph Neural Networks Based on Correlation Matrix
Tokyo University of Agriculture and Technology（东京农工大学）
本研究针对心律失常分类问题，提出一种基于特征相关矩阵构建邻接矩阵的图神经网络方法，实验显示其各类心律失常的精确率和召回率均超50%，为心律失常分类提供了新的可行思路。
2025-02-10 cs.AI eess.SP
deepTerra -- AI Land Classification Made Easy
本研究推出综合性平台deepTerra，通过集成数据采集、图像增强等全流程模块，借助机器学习与卫星影像简化地表特征分类任务，已应用于多个研究领域并规划了未来方向。
2025-01-14 cs.AI cs.CV cs.LG
Supervised level-wise pretraining for recurrent neural network initialization in multi-class classification
IRSTEA（法国国家环境与农业科技研究院）；UMR TETIS（TETIS联合研究单位）；LIRMM（蒙彼利埃计算机科学与机器人实验室）；Univ. of Montpellier（蒙彼利埃大学）；CIRAD（法国国际农业发展研究中心）
递归神经网络（RNN）可能会受到初始参数分配的严重影响，这可能会导致对新的未知数据的泛化性能较差。为了解决这一关键问题，在基于RNN的分类背景下，我们提出了一种新的监督分层预训练策略来初始化网络参数。所提出的方法利用数据感知的策略，该策略建立了由模型行为自动导出的分类问题的分类。据我们所知，尽管人们对基于RNN的分类非常感兴趣，但这是第一个处理此类模型初始化的数据感知策略。拟议的战略已在来自两个不同领域的四个基准上进行了测试，即，语音识别与遥感。结果强调了我们的方法的意义，并指出，数据感知策略积极支持基于递归神经网络的分类模型的初始化。
2019-11-04 cs.CV cs.LG stat.ML
Vehicle Shape and Color Classification Using Convolutional Neural Network
IDEMIA Identity & Security Germany AG（IDEMIA身份与安全德国股份公司）；Ruhr-University Bochum（波鸿鲁尔大学）
本文提出了一种基于品牌/车型和颜色分类的车辆再识别模块。它可以用于自动车辆监控（AVS）或视频数据的快速分析。与此相关的许多问题都需要解决。为了促进和加快这一主题的进展，我们将介绍我们的方式来收集和标记一个大规模的数据集。我们在训练中使用了更深层的神经网络。他们表现出良好的分类精度。我们显示的结果，使/模型和颜色分类控制和视频数据集。我们演示了一个开发的应用程序的帮助下，重新识别的车辆的视频图像的基础上，使/模型和颜色分类。这项工作的部分资金来自赠款。
2019-05-15 cs.CV cs.LG stat.ML
Active Deep Learning for Classification of Hyperspectral Images
研究了高光谱图像的主动深度学习分类问题。深度学习在许多应用中取得了成功，但需要高质量的标记样本来构建深度学习网络。在高光谱遥感图像中获取高质量的标记样本是一项昂贵的工作。提出了一种基于加权增量字典学习的主动学习算法。该算法选择训练样本，最大限度地提高两个选择标准，即代表性和不确定性。该算法通过在每次迭代中主动选择训练样本来有效地训练深度网络。将该算法应用于高光谱图像的分类，并与其他采用主动学习的分类算法进行了比较。实验结果表明，该算法在高光谱图像分类中是有效的。
2016-11-30 cs.CV cs.LG stat.ML
DeepPainter: Painter Classification Using Deep Convolutional Autoencoders
Bar-Ilan University（巴伊兰大学）；University of Maryland（马里兰大学）
在本文中，我们描述了画家分类的问题，并提出了一种新的方法，基于深度卷积自动编码器神经网络。虽然以前的方法依赖于图像处理和手动特征提取的绘画，我们的方法操作的原始像素水平，没有任何预处理或手动特征提取。我们首先在绘画数据集上训练深度卷积自动编码器，然后使用它来初始化分类阶段的监督卷积神经网络。所提出的方法大大优于以前的方法，将3-画家分类问题的以前的最新技术水平从90.44%的准确度（以前的最新技术水平）提高到96.52%的准确度，即，出错率降低了63%。
2017-11-23 cs.CV cs.LG cs.NE
Handwriting-Based Gender Classification Using End-to-End Deep Neural Networks
Bar-Ilan University（巴伊兰大学）；University of Maryland（马里兰大学）
基于手写体的性别分类是一个研究得很好的问题，主要通过传统的机器学习技术来解决。在本文中，我们提出了一种新的基于深度学习的方法来完成这项任务。具体来说，我们提出了一个卷积神经网络（CNN），它执行自动特征提取从一个给定的手写图像，其次是作者的性别分类。此外，我们引入了一个新的数据集标记的手写样本，在希伯来语和英语，405名参与者。将该数据集上的性别分类准确性与人类检查员进行比较，我们的结果表明，所提出的基于深度学习的方法比人类的方法准确得多。
2019-12-04 cs.CV cs.LG cs.NE
Real-Time EMG Signal Classification via Recurrent Neural Networks
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
肌电信号的实时分类是控制假手最具挑战性的部分。在较短的延迟时间内实现肌电信号的高分类精度仍然具有挑战性。递归神经网络（RNN）是一种适用于连续数据（如EMG）的人工神经网络架构。在本文中，从一个混合的时间-频率域（离散小波变换）提取特征后，我们利用一组基于递归神经网络的架构，以提高分类精度，减少预测延迟时间。这些架构的性能进行了比较，并在一般优于其他国家的最先进的方法，实现96%的分类精度在600毫秒。
2021-09-13 cs.CV cs.LG cs.RO
Very high resolution Airborne PolSAR Image Classification using Convolutional Neural Networks
Univ. Bretagne Sud（南布列塔尼大学）；IRISA（法国国家信息与自动化研究所雷恩分院）；CNRS（法国国家科学研究中心）
在这项工作中，我们利用卷积神经网络（CNN）的甚高分辨率（VHR）极化SAR（PolSAR）数据的分类。由于这些数据中的异质纹理的显着外观，不仅极化特征，而且结构张量被利用来馈送CNN模型。对于深度网络，我们使用SegNet模型进行语义分割，这对应于遥感中的逐像素分类。我们对机载F-SAR数据的实验表明，对于VHR PolSAR图像，SegNet可以为分类任务提供高精度;引入结构张量和极化特征作为输入可以帮助网络更多地关注几何信息，以显着提高分类性能。
2020-04-09 cs.CV cs.LG
Skin Lesion Classification Using Deep Multi-scale Convolutional Neural Networks
University Of Guelph（圭尔夫大学）
我们使用多尺度卷积神经网络为ISIC 2017皮肤病变分类挑战提出了一种深度学习方法。我们的方法利用了在ImageNet数据集上预先训练的Inception-v3网络，该网络使用两种不同尺度的输入图像进行皮肤病变分类。
2017-03-04 cs.CV
Neural Style Representations and the Large-Scale Classification of Artistic Style
University of New Hampshire（新罕布什尔大学）
绘画的艺术风格是艺术史学家对艺术作品进行分组和分类的微妙的审美判断。最近引入的“神经风格”算法在将一幅图像或一组图像的感知艺术风格与另一幅图像的感知内容相融合方面取得了实质性成功。鉴于这一点和其他最近的发展，图像分析通过卷积神经网络，我们调查的有效性“神经风格”的表示分类的艺术风格的绘画。
2016-11-16 cs.AI cs.CV cs.IR
A Trainable Feature Extractor Module for Deep Neural Networks and Scanpath Classification
University Tübingen（蒂宾根大学）
本文提出一种可训练的特征提取模块，将扫描路径转换为特征向量，与深度神经网络联合训练以提升分类性能，并在三个公开数据集上验证其优于现有方法。
2024-03-19 cs.CV cs.LG
Neural Field Classifiers via Target Encoding and Classification Loss
Beijing Jiaotong University（北京交通大学）；Baidu Research（百度研究院）
本文提出 NFC 框架，利用目标编码和分类损失将任意神经场回归器转化为多标签分类器，以低成本提升性能并增强对稀疏、损坏和动态输入的鲁棒性。
2024-03-02 cs.CV cs.LG
On the Effectiveness of Neural Ensembles for Image Classification with Small Datasets
Sapienza University of Rome（罗马大学）
深度神经网络代表了图像分类的黄金标准。但是，它们通常需要大量数据才能实现卓越的性能。在这项工作中，我们专注于图像分类问题，每个类有几个标记的例子，并通过使用相对较小的网络集成提高数据效率。我们的工作第一次广泛地研究了小数据域中神经集成的现有概念，通过使用流行的数据集和架构进行广泛的验证。我们将网络的集成与其更深或更广的单一竞争对手进行比较，给出了一个总的固定计算预算。我们表明，集成相对较浅的网络是一种简单而有效的技术，通常优于当前最先进的从小数据集学习的方法。最后，我们提出了我们的解释，根据这一解释，神经集成更有样本效率，因为它们学习更简单的函数。
2021-11-29 cs.CV cs.LG
Classification of Quantitative Light-Induced Fluorescence Images Using Convolutional Neural Network
VU University Medical Center Amsterdam（阿姆斯特丹自由大学医学中心）；Cancer Center Amsterdam（阿姆斯特丹癌症中心）；Horaizon BV（Horaizon公司）；Academic Centre for Dentistry Amsterdam（阿姆斯特丹牙科学术中心）；Netherlands Organisation for Applied Scientific Research（荷兰应用科学研究组织）；Academic Medical Center（阿姆斯特丹学术医学中心）
图像是口腔疾病诊断和治疗的重要数据源。图像的人工分类可能由于主观误差而导致误诊或误治。本文将基于卷积神经网络的图像分类模型应用于定量光诱导荧光图像。深度神经网络在预测来自三种不同牙菌斑评估分数的标签方面优于其他最先进的浅层分类模型。该模型直接受益于图像的多通道表示，除了红色通道外，还使用了额外的绿色和蓝色通道，从而提高了性能。
2017-05-25 cs.CV cs.LG
Kernelized Classification in Deep Networks
Google Research（谷歌研究院）
我们为深度网络提出了一个内核化的分类层。尽管传统的深度网络在表示（特征）学习中引入了大量的非线性，但它们几乎普遍使用学习特征向量的线性分类器。我们提倡一个非线性分类层，在训练过程中使用softmax交叉熵损失函数，在测试过程中使用评分器函数。然而，内核的选择仍然是一个挑战。为了解决这个问题，我们从理论上证明了优化适用于我们问题设置的所有可能的正定核的可能性。然后，该理论被用于设计一个新的核化分类层，该分类层在深度网络本身内自动学习给定问题的最佳核函数。我们在几个数据集和任务上展示了所提出的非线性分类层的有用性。
2021-03-18 cs.CV cs.LG
Deep Neural Networks for Radar Waveform Classification
Sensors Directorate, Air Force Research Lab（空军研究实验室传感器处）；Dept. ECE, The Ohio State Univ.（俄亥俄州立大学电气与计算机工程系）
我们认为，在存在噪声和不同步的情况下，给定原始I/Q波形的雷达脉冲的分类问题。我们还考虑了多个叠加的雷达脉冲的分类问题。对于这两者，我们设计了对同步、脉冲宽度和SNR具有鲁棒性的深度神经网络（DNN）。我们的设计产生超过100倍的错误率比以前的国家的最先进的减少。
2021-12-03 cs.CV cs.LG
Binarized Neural Networks on the ImageNet Classification Task
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Peking University, Shenzhen（北京大学深圳研究生院）
我们在高分辨率ImageNet ILSVRC-2102数据集分类任务上训练了二值化神经网络（BNN），并取得了良好的性能。使用13层的中等规模网络，我们通过网络蒸馏在验证集上获得了84.1%的前5名分类准确率，远远优于XNOR网络上的73.2%和二进制化GoogleNET上的69.1%。我们希望通过我们目前的策略可以获得更好的性能的网络。我们提供了一个详细的讨论和初步的分析，在网络培训中使用的策略。
2016-11-19 cs.CV cs.LG cs.NE
DeepLung: 3D Deep Convolutional Nets for Automated Pulmonary Nodule Detection and Classification
University of California, Irvine（加州大学尔湾分校）；Baidu Research（百度研究院）
在这项工作中，我们提出了一个完全自动化的肺癌CT诊断系统，DeepLung。DeepLung包含两个部分，结节检测和分类。考虑到肺部CT数据的三维特性，设计了两个三维网络分别用于结节检测和分类。具体来说，3D Faster R-CNN被设计用于结节检测，具有类似U网的编码器-解码器结构，以有效地学习结节特征。对于结节分类，提出了具有3D双路径网络（DPN）特征的梯度提升机（GBM）。结节分类子网络在LIDC-IDRI的公共数据集上进行了验证，其性能优于最先进的方法，并超过了四位经验丰富的医生的平均性能。对于DeepLung系统，首先通过结节检测子网络检测候选结节，并通过分类子网络进行结节诊断。大量的实验结果表明，DeepLung在LIDC-IDRI数据集上的结节级别和患者级别诊断方面与经验丰富的医生相当。
2017-09-16 cs.CV cs.LG cs.NE
Improved Trainable Calibration Method for Neural Networks on Medical Imaging Classification
University of Kentucky（肯塔基大学）
最近的工作表明，深度神经网络可以在医学成像领域的广泛图像分类任务中实现超人的性能。然而，这些工作主要集中在分类精度，忽略了不确定性量化的重要作用。从经验上讲，神经网络经常在预测中被错误校准和过度自信。这种误校准在任何自动决策系统中都可能存在问题，但我们专注于医学领域，其中神经网络误校准有可能导致重大的治疗错误。我们提出了一种新的校准方法，保持整体分类精度，同时显着提高模型校准。所提出的方法是基于预期的校准误差，这是一个共同的度量量化误校准。我们的方法可以很容易地集成到任何分类任务中作为辅助损失项，因此不需要明确的训练轮进行校准。我们表明，我们的方法在各种架构和数据集上显着降低了校准误差。
2020-09-09 cs.CV cs.LG eess.IV
Multi-pooling 3D Convolutional Neural Network for fMRI Classification of Visual Brain States
School of Informatics（信息学院）；Kochi University of Technology（高知工科大学）
本文提出多池化3D卷积神经网络（MP3DCNN），通过在3DCNN前两层加入池化连接分支，提升了视觉脑状态fMRI在类别及子类别分类任务中的准确率。
2023-03-25 cs.CV cs.LG eess.IV
Resolution-Invariant Image Classification based on Fourier Neural Operators
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Deutsches Elektronen-Synchrotron（德国电子同步加速器研究所）；Universität Hamburg（汉堡大学）
本文研究将傅里叶神经算子（FNOs）用于图像分类，推导了其作为勒贝格空间上连续且Fréchet可微神经算子的架构，展示了与CNNs的相互转换，并提出插值等变的改进。
2023-04-02 cs.CV cs.LG cs.NA
Entanglement Entropy of Target Functions for Image Classification and Convolutional Neural Network
Massachusetts Institute of Technology（麻省理工学院）
深度卷积神经网络（CNN）在计算机视觉特别是图像分类问题中的成功，要求一种新的信息论来描述图像的功能，而不是图像本身。本文在建立了图像分类问题与量子自旋模型之间的数学联系之后，提出利用纠缠熵作为表征图像一般函数所需信息的有力工具。证明了合理图像分类问题的目标函数的纠缠熵存在一个子体积律界。因此，图像分类的目标函数只占用整个希尔伯特空间的一个小子空间。因此，多项式参数的神经网络是有效的表示这样的目标函数的图像。纠缠熵的概念也可以用来描述不同神经网络的表达能力。例如，为了保持相同的表达能力，卷积神经网络中的通道数$D$应该与卷积层数$n_c$成比例，即$D\sim D_0^{\frac{1}{n_c}}$。因此，具有大$n_c$的较深CNN比浅CNN更有效。
2017-10-16 cond-mat.str-el cs.CV cs.LG
Multi-Column Deep Neural Networks for Offline Handwritten Chinese Character Classification
IDSIA / USI-SUPSI Istituto Dalle Molle di studi sull’intelligenza artificiale（IDSIA / USI-SUPSI 达莱莫莱人工智能研究所）；Università della Svizzera italiana (USI)（瑞士意大利语区大学）
我们的多列深度神经网络在ICDAR 2011和2013年离线手写比赛中对汉字的识别率达到了最佳水平，接近人类的表现。
2013-09-01 cs.CV
Deep-learning-based data page classification for holographic memory
Chiba University（千叶大学）
我们提出了一种基于深度学习的全息存储器中使用的数据页面分类。我们数值研究了传统的多层感知器（MLP）和深度神经网络的分类性能，在重建的页面数据被一些噪声污染和随机横向移动的条件下。MLP的分类准确率为91.58%，而深度神经网络能够以99.98%的准确率对数据页面进行分类。深度神经网络的准确性比MLP好两个数量级。
2017-07-02 cs.CV cs.LG cs.NE
Classification of optics-free images with deep neural networks
University of Utah（犹他大学）
通过移除所有光学元件，仅留下图像传感器，实现了最薄的相机。我们训练深度神经网络对无光学图像执行多类检测和二进制分类（准确率为92%），而无需以图像为中心的图像重建。从无光学图像中进行推断具有增强隐私和功率效率的潜力。
2020-11-10 cs.CV eess.IV physics.optics
Fashion and Apparel Classification using Convolutional Neural Networks
Austrian Institute of Technology（奥地利技术研究所）；Vienna University of Technology（维也纳工业大学）；MonStyle
我们提出了一项将深度卷积神经网络（CNN）应用于时装和服装图像分类任务的实证研究，以提高电子商务应用程序的元数据丰富性。使用干净和预训练的模型分析了五种不同的CNN架构。在两个小规模和大规模数据集上，在三个不同的任务中对模型进行了评估。
2018-11-11 cs.CV
Some Improvements on Deep Convolutional Neural Network Based Image Classification
Andrew Howard Consulting（安德鲁·霍华德咨询公司）
我们研究了多种技术来改进当前基于深度卷积神经网络的图像分类流水线。这些技术包括向训练数据添加更多的图像变换，添加更多的变换以在测试时生成额外的预测，以及使用应用于更高分辨率图像的互补模型。本文总结了我们在2013年Imagenet大规模视觉识别挑战赛中的参赛作品。我们的系统在没有外部数据的情况下实现了13.55%的前5名分类出错率，这比前一年的冠军有20%以上的相对改善。
2013-12-19 cs.CV
Multi-path Convolutional Neural Networks for Complex Image Classification
Dalhousie University（达尔豪斯大学）
卷积神经网络在ImageNet大规模视觉识别挑战赛上展示了高性能。然而，发布的结果仅显示了所有图像类别的整体性能。没有进一步的分析为什么某些图像得到更差的结果，以及如何改善它们。本文对不同类型的图像进行了深入的性能分析，并通过实验指出了卷积神经网络的不足。我们设计了一种新颖的多路径卷积神经网络，它将不同版本的图像输入到不同的路径中，以学习更全面的特征。该模型比传统的单路径模型具有更好的图像表现力。我们获得了更好的分类结果复杂的验证集上的前1和前5名的分数比最好的ILSVRC 2013分类模型。
2015-06-22 cs.CV
Combinational neural network using Gabor filters for the classification of handwritten digits
Goethe University（歌德大学）；Frankfurt Institute for Advanced Studies（法兰克福高等研究院）
设计并测试了一种结合k-近邻和多层神经网络的分类算法。使用这种方法，训练数据集所需的计算时间已大大减少。为了保证更好的性能，在特征提取中使用了Gabor滤波器。该算法与MNIST数据集进行了测试，它将被集成为一个模块的对象识别软件，目前正在开发中。
2017-09-18 cs.CV
SwGridNet: A Deep Convolutional Neural Network based on Grid Topology for Image Classification
Tohoku Gakuin University（东北学院大学）
深度卷积神经网络（CNN）在图像分类任务上实现了卓越的性能。然而，最近的研究表明，泛化能力比神经网络的深度更重要，以提高图像分类任务的性能。本文提出了一种新的神经网络SwGridNet。SwGridNet包括许多卷积处理单元，它们作为网格网络相互连接，其中输入和输出之间存在许多处理路径。SwGridNet具有很高的泛化能力，因为多路径架构具有集成学习的效果。如本文所述，详细介绍了SwGridNet网络架构。本文提出的实验结果表明，SwGridNets分别实现测试出错率为2.95%和15.67%，在CIFAR-10和CIFAR-100分类任务。结果表明，SwGridNet的性能接近最先进的深度CNN。
2017-10-03 cs.CV
Multimodal Classification with Deep Convolutional-Recurrent Neural Networks for Electroencephalography
Tsinghua University（清华大学）
脑电（EEG）已成为基于脑机接口（BCI）的系统的最重要的输入信号。然而，由于传统方法不能充分利用多模态信息，很难获得令人满意的分类精度。在这里，我们提出了一种新的方法来建模认知事件从EEG数据减少到一个视频分类问题，这是为了保持多模态信息的EEG。此外，还引入了光流来表示脑电信号的变异信息。我们通过使用EEG视频和光流，使用卷积神经网络（CNN）和递归神经网络（RNN）训练训练深度神经网络（DNN）用于EEG分类任务。实验结果表明，该方法具有较好的鲁棒性和准确性。根据我们的方法，我们设计了一个混合BCI为基础的康复支持系统，以帮助中风患者进行一些基本的操作。
2018-07-24 cs.CV
ContourCNN: convolutional neural network for contour data classification
Ben Gurion University of the Negev（本-古里安大学）
提出了一种新的用于轮廓数据分析和形状分类的卷积神经网络模型（ContourCNN）。轮廓是表示闭合形状的点的圆形序列。为了处理轮廓表示的循环特性，我们采用循环卷积层。等高线通常稀疏表示。为了解决信息稀疏性问题，我们引入了优先级池层，该优先级池层根据特征的大小来选择特征。优先级池化层池化具有低幅值的特征，同时保持其余特征不变。我们使用从EMNIST数据集提取的字母和数字形状评估了所提出的模型，并获得了较高的分类精度。
2020-09-30 cs.CV
Interpreting Hidden Semantics in the Intermediate Layers of 3D Point Cloud Classification Neural Network
Xiamen University（厦门大学）
虽然三维点云分类神经网络模型已得到广泛应用，但对神经元和各层的激活进行深入解释仍然是一个挑战。我们提出了一种新的方法，命名为相关流，解释隐藏的语义的三维点云分类神经网络。它以反向传播的方式将类Relevance传递给中间层中激活的神经元，并将神经元的激活与输入点相关联，以可视化每一层的隐藏语义。特别地，我们揭示了三维点云分类神经网络在中间层学习了平面级和零件级的隐含语义，并利用法线和IoU来评估两级隐含语义的一致性。此外，我们利用隐藏的语义，生成对抗攻击样本来攻击三维点云分类器。实验表明，该方法揭示了三维点云分类神经网络在ModelNet40和ShapeNet上的隐含语义，可用于无标签的无监督点云局部分割和攻击三维点云分类器。
2023-03-12 cs.CV
HEp-2 Cell Image Classification with Deep Convolutional Neural Networks
University of Wollongong（伍伦贡大学）
高效的人上皮细胞2（Human Epithelial-2，HEp-2）图像分类可以帮助许多自身免疫性疾病的诊断。本文提出了一个自动框架，这个分类任务，利用深度卷积神经网络（CNN），最近引起了强烈的关注，在视觉识别。本文阐述了该框架的重要组成部分，讨论了影响深度CNN训练效率的多个关键因素，并将该框架与文献中成熟的图像分类模型进行了系统的比较。在基准数据集上的实验表明，i）通过适当地应用数据增强，所提出的框架可以有效地优于现有模型; ii）我们基于CNN的框架在不同的数据集上表现出良好的适应性，这对于在不同的实验室设置下进行分类是非常可取的。我们的系统在ICPR 2014主办的细胞图像分类竞赛中排名靠前。
2015-05-18 cs.CV
Combining Neural Network Models for Blood Cell Classification
Birla Institute of Technology and Science Pilani（皮拉尼贝拉技术科学学院）
本研究的目的是评估一种多层神经网络模型的效率，该模型由递归神经网络（RNN）和卷积神经网络（CNN）相结合，用于解决分类不同类型的白细胞的问题。这可以在制药和医疗保健行业中应用，用于自动化血液测试的分析和需要识别给定图像样本中血细胞性质的其他过程。它还可以用于诊断患者的各种血液相关疾病。
2021-01-10 cs.CV
Selective Deep Convolutional Neural Network for Low Cost Distorted Image Classification
深度卷积神经网络已被证明非常适合图像分类应用。然而，如果图像中存在失真，则即使使用最先进的神经网络，分类精度也会显著降低。通过简单地使用失真图像进行训练，无法显著提高准确性。相反，本文提出了一种多神经网络拓扑结构，称为选择性深度卷积神经网络。通过以所提出的方式修改现有的最先进的神经网络，示出了可以实现类似水平的分类精度，但是以显著更低的成本。成本降低主要是通过使用较少的权重参数来实现的。使用更少的权重减少了乘法-累加运算的数量，并且还减少了数据访问所需的能量。最后，它表明，所提出的选择性深度卷积神经网络的有效性，可以进一步提高它与以前提出的网络成本降低方法相结合。
2019-02-14 cs.CV cs.NE
Object Classification using Ensemble of Local and Deep Features
Indian Institute of Technology Delhi（印度理工学院德里分校）
在本文中，我们提出了一个集成的局部和深度特征的对象分类。我们还比较和对比了卷积神经网络的各层的特征表示能力的有效性。我们通过大量的对象分类实验证明，来自深度网络的特征的表示能力可以通过从本地特征捕获的信息来补充。我们还发现，来自各种深度卷积网络的特征编码了独特的特征信息。我们确定，与传统做法相反，深度网络的中间层可以增强从全连接层获得的特征的分类能力。
2017-12-04 cs.CV
Application of Convolutional Neural Network for Image Classification on Pascal VOC Challenge 2012 dataset
Manipal Institute of Technology（马尼帕尔理工学院）
在这个项目中，我们致力于创建一个模型来为Pascal VOC Challenge 2012分类图像。我们使用卷积神经网络在Amazon通过其云服务Amazon Web Services（AWS）提供的单个GPU实例上进行训练，以对Pascal VOC 2012数据集中的图像进行分类。我们对多个卷积神经网络模型进行了训练，最终确定了最佳模型，验证准确率为85.6%，测试准确率为85.24%。
2016-07-13 cs.CV
A Comparison for Anti-noise Robustness of Deep Learning Classification Methods on a Tiny Object Image Dataset: from Convolutional Neural Network to Visual Transformer and Performer
Northeastern University（东北大学）；University of Luebeck（吕贝克大学）
随着深度学习的快速发展，图像分类取得了前所未有的进步。然而，微小目标图像的分类仍然没有得到很好的研究。本文首先简要回顾了深度学习中卷积神经网络和视觉Transformer的发展，并介绍了常规噪声和对抗攻击的来源和发展。然后利用卷积神经网络和Visual Transformer的各种模型，在微小物体（精子和杂质）的图像数据集上进行了一系列实验，比较实验结果中的各种评价指标，得到性能稳定的模型。最后，讨论了微小目标分类中存在的问题，并对微小目标分类的未来进行了展望。
2021-06-09 cs.CV
Local Deep Neural Networks for Age and Gender Classification
局部深度神经网络最近被引入性别识别。尽管它们实现了非常好的性能，但它们的训练在计算上非常昂贵。在这项工作中，我们引入了一个简化版本的局部深度神经网络，它显着减少了训练时间。而不是使用数百个补丁每个图像，如建议的原始方法，我们建议使用9个重叠的补丁每个图像覆盖整个面部区域。这导致训练时间大大减少，因为每个图像只提取9个补丁，而不是数百个，代价是性能略有下降。我们在LFW和Adience数据库上测试了所提出的修改后的局部深度神经网络方法，用于性别和年龄分类任务。对于两个任务和两个数据库，与原始版本的算法相比，性能降低了1%。我们还研究了哪些补丁更具有年龄和性别分类的歧视性。事实证明，嘴和眼睛区域对年龄分类有用，而只有眼睛区域对性别分类有用。
2017-03-24 cs.CV
Traffic Sign Classification Using Deep and Quantum Neural Networks
AGH University of Science and Technology（AGH科技大学）
本文提出混合量子-经典卷积神经网络用于交通标志分类，在德国交通标志基准上准确率超90%，虽未超越经典DCNN，但前景广阔。
2022-09-30 cs.CV
Skin Lesion Classification Using Deep Neural Network
University Of Bordj Bou Arreridj（布尔吉布阿雷里吉大学）
本文报告了我们开发的用于对ISIC 2019皮肤病变分类挑战数据集的皮肤镜图像（任务1）进行分类的方法和技术，我们的方法旨在使用集成深度神经网络和一些强大的技术来处理不平衡的数据集，这是该挑战的主要问题，以提高CNN模型的性能。
2019-11-18 cs.CV eess.IV
Pixel DAG-Recurrent Neural Network for Spectral-Spatial Hyperspectral Image Classification
Xidian University（西安电子科技大学）
利用丰富的空间和光谱特征有助于提高高光谱图像的分类精度。本文基于人类视皮层群体感受野机制，进一步利用图像中像素的空间相关性，提出像素有向无环图循环神经网络（Pixel DAG-RNN）来提取和应用光谱-空间特征进行HSI分类。在我们的模型中，一个无向循环图（UCG）被用来表示在一个图像块中的像素的相关连接，和四个DAG被用来近似的UCG的空间关系。为了避免过拟合，采用了权值分担和丢弃的方法。通过在三个基准数据集上的实验，我们的模型在HSI分类上的更高的分类性能得到了验证。
2019-06-09 cs.CV
