CONVOLUTIONAL

首页 > TAG信息列表 > CONVOLUTIONAL

《Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Ne

论文题目《Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks》论文作者：Y ushi Chen, Member , IEEE, Hanlu Jiang, Chunyang Li, Xiuping Jia, Senior Member , IEEE, and Pedram Ghamisi, Member , IEEE 论文发

Pansharpening by Convolutional Neural Networks 论文解析

Pansharpening by Convolutional Neural Networks 论文解析 Q1论文试图解决什么问题？解决遥感图片的全色锐化问题，传统方法处理遥感图片全色锐化存在诸多问题，本文从Image Super-Resolution Using Deep Convolutional Networks一文中获取灵感，使用三层网络架构进行遥感图片的全色锐化

Image Super-Resolution Using Deep Convolutional Networks SRCNN 论文解析

Image Super-Resolution Using Deep Convolutional Networks SRCNN 论文解析 Q1:论文试图解决的问题本文试图解决从低分辨率图片重建高分辨率图片的问题。传统上已有许多解决办法，但存在诸多弊端，传统方法上存在的一部分问题被本文提出的方法解决。传统的稀疏编码方法运行速度慢

Graph Convolutional Matrix Completion

目录概符号说明流程EncoderDecoder代码 van den Berg R. Kipf T. N. and Weling M. Graph convolutional matrix completion. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (SIGKDD), 2017. 概 GCN 在推荐系统中的一次

【简读】3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image Segmentation

简读还是源于Unet的，将Unet的模块替换成了胶囊网络，替换源于CNN中存在以下原因：（1）CNN中的池化会丢失一部分空间信息（个人觉得这个是见仁见智的，如果不通过池化，特征提取就可能满足不了平移不变性了）（2）CNN对旋转和仿射变换敏感（CNN的卷积有良好的平移不变性，若发生旋转特征识别就可能失效了

Convolutional Knowledge Tracing

论文：Convolutional Knowledge Tracing: Modeling Individualization in Student Learning Process 1. 概述 CKT通过对学习过程中的个性化建模，可以获得更好的知识追踪效果。 2. 任务定义学生的学习序列XN=（x1，x2，…，xt，…，XN），表示学习过程。其中，xt表示一次下学习交互{et，at}，et表示第

深度学习入门(鱼书)学习笔记：第7章卷积神经网络

目录导航第7章卷积神经网络 7.1 整体结构卷积神经网络（Convolutional Neural Network, CNN），新增了卷积（Convolutional）层和池化（Pooling）层。 7.2 卷积层 7.2.1 全连接层存在的问题全连接层（Affine层）会忽视数据的形状。比如将三维图像数据拉平为一维数据。而卷积层可以保持数据形状

CRUSE: Convolutional Recurrent U-net for Speech Enhancement

CRUSE: Convolutional Recurrent U-net for Speech Enhancement 本文是关于TOWARDS EFFICIENT MODELS FOR REAL-TIME DEEP NOISE SUPPRESSION的介绍，作者是Microsoft Research的Sebastian Braun等。相关工作的上下文可以参看博文概述本文设计的是基于深度学习的语音增强模型，工

2022-IA-GCN: Interactive Graph Convolutional Network for Recommendation阅读笔记

IA-GCN: Interactive Graph Convolutional Network for Recommendation 0.论文信息 paper地址：https://arxiv.org/pdf/2204.03827v1.pdf code：未公开 1. 摘要问题：在之前的研究工作中，在embedding过程中没有考虑user-item之间的交互特征方法：提出了IA-GCN模型，在user-item之间

Ultra-low Latency Spiking Neural Networks with Spatio-Temporal Compression and Synaptic Convolutiona

郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ (2022)

Towards High-Fidelity 3D Face Reconstruction from In-the-Wild Images Using Graph Convolutional Netwo

这篇文章也是解决从一张2D图到3D人脸精细重建的问题的。文章自称是第一个将图神经网络用于3D人脸重建的。并且说自己的模型不需要精细的人脸纹理做监督，只需要随便的人脸图片就行。结构如图所示，黄色的部分都是用的别人已经训练好的模型，灰色的是不可训练的，蓝色的就是需要训练的

Convolutional Neural Network 小结

一、the whole CNN 二、CNN – Convolution 三、Convolution v.s. Fully Connected

论文阅读之：SA-NET: SHUFFLE ATTENTION FOR DEEP CONVOLUTIONAL NEURAL NETWORKS

文章目录 AbstractIntroduction相关工作多分支网络（multi-branch architectures）分组特征（grouped features）attention 机制（attention mechanism） Shuffle Attentionpipeline特征分组（feature grouping）channel attention（通道 attention）空间 attention（spatial attention）Aggregati

《Multi-Stream Gated and Pyramidal Temporal Convolutional Neural Networksfor Audio-Visual Speech Se》

《Multi-Stream Gated and Pyramidal Temporal Convolutional Neural Networks for Audio-Visual Speech Separation in Multi-Talker Environments》本文的作者是Yiyu Luo, Jing Wang, Liang Xu , Lidong Yang，School of Information and Electronics, Beijing Institute of Te

论文解读GALA《Symmetric Graph Convolutional Autoencoder for Unsupervised Graph Representation Learning》

论文信息　　Title：《Symmetric Graph Convolutional Autoencoder for Unsupervised Graph Representation Learning》　　Authors：Jiwoong Park、Minsik Lee、H. Chang、Kyuewang Lee、J. Choi　　Sources：2019 IEEE/CVF International Conference on Computer Vision (ICCV)　　P

Accurate Image Super-Resolution Using Very Deep Convolutional Networks(VDSR)

摘要该方法使用了一个非常深的卷积网络，灵感来自于Imagenet分类。该论文发现，网络深度的增加显示了精度的显著提高。最终的模型使用了20个权重层。通过在深度网络结构中多次级联小滤波器，有效地利用了大图像区域上的上下文信息。然而，在非常深的网络中，收敛速度成为训练过程中的一个关

论文翻译：2020_RESIDUAL ACOUSTIC ECHO SUPPRESSION BASED ON EFFICIENT MULTI-TASK CONVOLUTIONAL NEURAL NETW

论文翻译：https://arxiv.53yu.com/abs/2009.13931 基于高效多任务卷积神经网络的残余回声抑制摘要　　在语音通信系统中，回声会降低用户体验，需要对其进行彻底抑制。提出了一种利用卷积神经网络实现实时残余回声抑制(RAES)的方法。在多任务学习的背景下，采用双语音检测器作为辅助任

【论文阅读】Fully Convolutional Networks for Semantic Segmentation

2022新年啦，今年准备每天读一篇论文（大概）。由于个人能力问题，阅读过程可能是粗读，因为有的地方看不懂，看不懂的地方我就标记一下挖个坑，以后能力长进的时候我再来填坑（大概）。因为怕读完就扔掉了，所以还是在这里记录一下，以后常来复习。第一篇就读过一段时间可能会考的计算机视觉课里提到

论文阅读笔记：View-GCN View-based Graph Convolutional Network for 3D Shape Analysis

论文阅读笔记：View-GCN: View-based Graph Convolutional Network for 3D Shape Analysis 文章目录论文阅读笔记：View-GCN: View-based Graph Convolutional Network for 3D Shape Analysis参考笔记：Abstract1. Introductionview-based本文工作 2. Related Works2.1 Multi-vi

【深度学习基础】一文读懂卷积神经网络(Convolutional Neural Networks, CNN)

文章目录 1. 基本概念2. 卷积神经网络的结构2.1 输入层2.2 卷积层2.3 池化层2.4 全连接层2.5 卷积神经网络的其它概念（1）感受野（2）padding（3）stride（4）Flatten（5）Dropout 3. 卷积神经网络之优缺点 1. 基本概念历史简单介绍 CNN从90年代的LeNet开始，21世纪初沉寂了10年。直到2012年

Fully Convolutional Networks for Semantic Segmentation FCN论文记录

Fully Convolutional Networks for Semantic Segmentation 文章来源：2015CVPR 一、背景在FCN全卷积网络出现之前，之前的图像分割都是基于候选框和滑窗的CNN的语义分割算法。由于CNN网络的特殊性，所以对像素进行预测是时候是将被预测像素为中心的一小块图片作为网络输入进行预测，最

Relation-Shape Convolutional Neural Network for Point Cloud Analysis

以PointCNN中的\(\mathcal{X}-Conv\)为例，此处做个引子带出来卷积的方法。 \(\mathcal{X}-Conv\)来鹅城只为两件事：对每个代表点周围的点特征做集成。在隐空间对输入做重排去除输入顺序的影响。 Abstract 点云分析是一件很有挑战性的事情，因为不规则点中隐含的形状很难捕捉。在本

Very Deep Convolutional Networks For Large-Scale Image Recogniton（VGG）

Very Deep Convolutional Networks For Large-Scale Image Recogniton 1. 摘要作者调查了卷积网络深度对其在大规模图像识别的准确率上的影响。主要贡献是对网络深度增加进行彻底的评估，用一个具有非常小卷积核的网络结构，展示了一个在现有技术配置上的重大提升，可以通

PatchUp: A Regularization Technique for Convolutional Neural Networks论文阅读笔记

PatchUp: A Regularization Technique for Convolutional Neural Networks 本文的主要思想是将类似cutmix的方法运用到了网络隐层 Introduction 主要介绍了一些mixup方法，并提出该方法具有流形入侵的问题存在（mix后的图像与伪mix的原始图像类似，但标签确实mix后的标签，主演就产生

High-Resolution Breast Cancer Screening with Multi-View Deep Convolutional Neural Networks 阅读笔记

Abstract The differences of medical images and natural images： Specifically, fine details are necessary for detection in medical images, unlike in natural images where coarse structures matter most. 一开始处理医学影像只是单纯的更换了神经网络的输入图片，没有