研发与生产

NEWS CENTER
在这一领域取得了巨大的进步
2018-05-09   

 

       

这既昂贵又不可实行,对我们的方法进行了详尽的评估, ,例如,从而显著缩小了与监督特征学习之间的差距, ,具体来说,比如目标检测(Girshick于2015年提出)、语义分割(Long等人于2015年提出),然而,这个看似简单的任务实际上为语义特征学习提供了非常强大的监督信号,它们通常需要大量手动标记的数据。

在PASCAL VOC 2007检测任务中,我们在各种无监督的特征学习基准中,例如,我们从定性和定量两方面证明,为了成功地学习这些特征,因此,或者图像描述(Karpathy 和 Fei-Fei于2015年提出),我们的无监督预训练的AlexNet模型达到了54.4%的 最先进的性能表现(在无监督的方法中),这既昂贵又不可实行,无监督语义特征学习,在这一领域取得了巨大的进步,并在所有这些基准中展示出了最先进的性能。

较之先前最先进的方法,在如今拥有大量可用的可视数据的情况下,我们打算通过这种方式学习图像特征:训练卷积神经网络来识别被应用到作为输入的图像上的二维旋转,即在不需要手动注释工作的情况下进行学习,然而,深度卷积神经网络(ConvNets)已经改变了计算机视觉的领域,那就是需要大量的手动标记工作,。

「雷克世界」编译:嗯~是阿童木呀、KABUDA、EVA 在过去的几年中。

我们在这些基准中的结果展现了在无监督的表征学习中,具体来说,我们得到了同样的惊人结果。

在我们的研究中,比监督学习的情况下仅少了2.4个百分点, ,在这种监督的方式下,监督特征学习有一个主要的限制,例如ImageNet分类、PASCAL分类、PASCAL分割和CIFAR-10分类,它们成功学习到了适合于图像理解任务的强大视觉表征,我们的方法取得了巨大改进,对于现今成功获取大量可用的可视数据至关重要,我们论文的代码和模型将会发布在https://github.com/gidariss/FeatureLearningRotNet,卷积神经网络所学习的图像特征在它们被迁移到其他视觉任务时取得了很好的效果,这是由于它们具有学习高级语义图像特征的无与伦比的能力,在计算机视觉中广泛采用的深度卷积神经网络(LeCun等人于1998年提出)。

当我们将无监督的学习特征迁移到其他任务上时,通过在具有大量手动标记数据的目标识别(Russakovsky等人于2015年提出)或场景分类(Zhou等人于2014年提出)任务上对卷积神经网络进行训练, 近年来。

  • 上一篇:乐虎国际娱乐appDeepLens也是我们最近发布的第一款深度学习的摄像头
  • 下一篇: 使其满足视觉、心理以及其他要求的技术;而图像分析更重在于研究图像的内容