图像分类
-
活体检测综述 Deep Learning for Face Anti-Spoofing: A Survey 阅读记录
论文链接:Deep Learning for Face Anti-Spoofing: A Survey | IEEE Journals & Magazine | IEEE …
-
传统卷积与Transformers 优缺点对比
近两年Transformer如日中天,刷爆各大CV榜单,但在计算机视觉中,传统卷积就已经彻底输给Transformer了吗? 回答1 作者:DLing 链接:https://www…
-
多分类模型如何将LabelSmoothing与MixUp联合使用?
LabelSmoothing 以图像分类为例,网络模型的最后一层的输出维度等于总的类别数,然后使用softmax将网络预测输出转换为对应类别的概率分布,表示如下: …
-
基于深度学习搭建神经网络模型算法,实现图像识别分类
项目交流群(源码获取,问题解答):617172764 前言 随着人工智能的不断发展,深度学习这门技术也越来越重要,很多人都开启了学习机器学习,本文将通过项目开发实例,带领大家从零开…
-
使用卷积神经网络实现猫狗分类任务
使用卷积神经网络在猫狗分类数据集上实现分类任务。 一、数据集下载链接 猫狗分类数据集链接 → 提取码:1uwy。 二、基础环境配置 Windows10 + Anaconda…
-
深度学习图像分类(四):DenseNet
深度学习图像分类(四):DenseNet 前言 作为CVPR2017年的Best Paper, DenseNet脱离了加深网络层数(ResNet)和加宽网络结构(GoogLeNet…
-
ConvNeXt网络详解
ConvNeXt 论文名称:A ConvNet for the 2020s论文下载链接:https://arxiv.org/abs/2201.03545论文对应源码链接:https…
-
数据增强实测之cutout
cutout是2017年提出的一种数据增强方法,想法比较简单,即在训练时随机裁剪掉图像的一部分,也可以看作是一种类似dropout的正则化方法。Improved Regularization of Convolutional Neural Networks with Cutoutpaper:https://arxiv.org/pdf/1708.04552.pdfcode:https://github.com/uoguelph-mlrg/Cutoutcutout采用的操作是随机裁剪掉图像中..
-
数据增强实测之Random Erasing
Random Erasing是2017年与cutout同时期提出的一种数据增强方法,想法比较简单,即在训练时随机裁剪掉图像的一部分,也可以看作是一种类似dropout的正则化方法。Random Erasing Data Augmentationpaper (arXiv):https://arxiv.org/pdf/1708.04896v2.pdfpaper (AAAI20):https://ojs.aaai.org/index.php/AAAI/article/view/7000/6854..