CVPR2017

Domain Adaptation总结（2017.9）

有一篇论文（[cvpr2017]JointGeometricalandStatisticalAlignmentforVisualDomainAdaptation）对DomainAdaptation做了一定的总结
MataFela·2017-09-03 22:57

Domain Adaptation总结（2017.9）

有一篇论文（[cvpr2017]JointGeometricalandStatisticalAlignmentforVisualDomainAdaptation）对DomainAdaptation做了一定的总结
MataFela·2017-09-03 22:57

[cvpr2017]Domain Adaptation by Mixture of Alignments of Second- or Higher-Order Scatter Tensors

三个散度矩阵：LDA上的三个散度矩阵introduction作者将自己的模型称为SecondorHigher-orderTransferofKnowledge(So-HoT)，是一个对sourcedomain和targetdomain之间进行二阶或者更高阶次的统计量的一个对齐(alignment).作者使用二阶或者更高阶的scatter张量，sourcedomain一个，targetdomain一
MataFela·2017-08-31 21:13

[cvpr2017]Domain Adaptation by Mixture of Alignments of Second- or Higher-Order Scatter Tensors

三个散度矩阵：LDA上的三个散度矩阵introduction作者将自己的模型称为SecondorHigher-orderTransferofKnowledge(So-HoT)，是一个对sourcedomain和targetdomain之间进行二阶或者更高阶次的统计量的一个对齐(alignment).作者使用二阶或者更高阶的scatter张量，sourcedomain一个，targetdomain一
MataFela·2017-08-31 21:13

[cvpr2017]Deep Hashing Network for Unsupervised Domain Adaptation

introduction作者的框架（DomainAdaptiveHashing(DAH)）通过学习sourcedomain和targetdomain的信息哈希码来进行分类（数据量很庞大，所以考虑到了哈希，可以利用哈希的快速查询和低内存使用）。作者在一个新的数据集——Office-Home——上进行试验，这个数据集有来自4个域的图像信息（15500图像65个类），作者希望正式自己的算法在多重的迁移学
MataFela·2017-08-31 20:20

[cvpr2017]Deep Hashing Network for Unsupervised Domain Adaptation

introduction作者的框架（DomainAdaptiveHashing(DAH)）通过学习sourcedomain和targetdomain的信息哈希码来进行分类（数据量很庞大，所以考虑到了哈希，可以利用哈希的快速查询和低内存使用）。作者在一个新的数据集——Office-Home——上进行试验，这个数据集有来自4个域的图像信息（15500图像65个类），作者希望正式自己的算法在多重的迁移学
MataFela·2017-08-31 20:20

[cvpr2017]Joint Geometrical and Statistical Alignment for Visual Domain Adaptation

线性判别分析线性判别分析LDA原理总结三个散度矩阵：LDA上的三个散度矩阵introduction作者提出了一个称为JointGeometricalandStatisticalAlignment(JGSA)的框架，用于减少sourcedomain和targetdomain之间的统计量上和几何上的差异(shift)具体来说，就是学习sourcedomain和targetdomain上的两个（耦合的？
MataFela·2017-08-30 19:02

[cvpr2017]Joint Geometrical and Statistical Alignment for Visual Domain Adaptation

线性判别分析线性判别分析LDA原理总结三个散度矩阵：LDA上的三个散度矩阵introduction作者提出了一个称为JointGeometricalandStatisticalAlignment(JGSA)的框架，用于减少sourcedomain和targetdomain之间的统计量上和几何上的差异(shift)具体来说，就是学习sourcedomain和targetdomain上的两个（耦合的？
MataFela·2017-08-30 19:02

[cvpr2017]Adversarial Discriminative Domain Adaptation

Introduction本文针对无监督作者结合了discriminativemodel，untieweightsharing和GANloss，创建了一种新的模型：AdversarialDiscriminativeDomainAdaptation(ADDA)先前的生成式方法（Priorgenerativeapproaches）展示了非常有效的学习过程可视化，但是对于判别式模型而言，这个方法并不是最优
MataFela·2017-08-29 09:49

[cvpr2017]Adversarial Discriminative Domain Adaptation

Introduction本文针对无监督作者结合了discriminativemodel，untieweightsharing和GANloss，创建了一种新的模型：AdversarialDiscriminativeDomainAdaptation(ADDA)先前的生成式方法（Priorgenerativeapproaches）展示了非常有效的学习过程可视化，但是对于判别式模型而言，这个方法并不是最优
MataFela·2017-08-29 09:49

[cvpr2017]Learning an Invariant Hilbert Space for Domain Adaptation

马氏距离Introduction本文适用于半监督和无监督形式的domainadaptation作者尝试开发一个几何解决方案，通过利用黎曼几何的概念学习潜在空间（latentspace）的投影和马氏距离。作者建议从sourcedomain和targetdomain沿着相关联的映射学习潜在空间（latentspace）的结构，以解决无监督和半监督DA的两个问题。为此，作何提出在latentspace中
MataFela·2017-08-24 22:12

[cvpr2017]Learning an Invariant Hilbert Space for Domain Adaptation

马氏距离Introduction本文适用于半监督和无监督形式的domainadaptation作者尝试开发一个几何解决方案，通过利用黎曼几何的概念学习潜在空间（latentspace）的投影和马氏距离。作者建议从sourcedomain和targetdomain沿着相关联的映射学习潜在空间（latentspace）的结构，以解决无监督和半监督DA的两个问题。为此，作何提出在latentspace中
MataFela·2017-08-24 22:12

CVPR 2017 论文集锦（目标检测与目标追踪相关）

CVPR2017有很多优秀的论文，但，学，是无止境的，正所谓“伤其十指，不如断其一指”，这么多内容我也不可能一一整理。未来，导师让我做目标检测与目标追踪等方向的研究。
denghe1122·2017-08-23 10:36

CVPR 2017论文集锦（论文分类）—— 附录部分翻译

作为计算机视觉领域的三大顶级会议之一，CVPR2017又收录了很多优秀的文章。
denghe1122·2017-08-23 09:09

DenseNet：更接近于真实神经网络的跨层连接

一.提出背景CVPR2017的BestPaper，简单大气上档次！
linolzhang·2017-08-16 22:08

[cvpr2017]Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks

优势与Task-Specific图像训练结构解耦合。作者说因为这个域适应是在像素级别上进行的（becauseourmodelmapsoneimagetoanotheratthepixellevel），所以我们可以改变这个Task-Specific图像训练结构在标签域也可以同样做到域适应targetdomain和sourcedomain的标签域可以不一样，targetdomain训练时和测试时可以使
MataFela·2017-08-14 12:54

CVPR2017李飞飞总结8年 ImageNet历史 [Colin荐]

[人工智能]Colin推荐理由：结合目前人工智能的局限与优势，合理优化AI领域投入。当前人工智能的局限之一是，人工智能是由数据驱动的。如果拿生日蛋糕作为比喻，目前的人工智能也只是蛋糕上的草莓，而不需要或只需要极少数据的人工智能才是美味的蛋糕本身。但是，利用标注数据的人工智能技术的优势在于，其更为成熟。用户并不会关心人工智能实现的过程，只会在意最终的使用体验。所以我们应该投入更多精力在使用标注数据的
CoverUER·2017-08-11 17:29

CVPR 2017 全部及部分论文解读集锦

转载链接计算机视觉顶会之一的CVPR2017将于7月21日至7月26日在夏威夷举行。
女王の专属领地·2017-08-08 16:03

CVPR2017论文分类汇总

MachineLearning1Spotlight1-1AExclusivity-ConsistencyRegularizedMulti-ViewSubspaceClusteringXiaojieGuo,XiaoboWang,ZhenLei,ChangqingZhang,StanZ.LiBorrowingTreasuresFromtheWealthy:DeepTransferLearningThr
VictorLeeLk·2017-08-08 00:00

CVPR2017最佳论文 Densely Connected Convolutional Networks （DenseNets）阅读笔记

CVPR2017最佳论文DenselyConnectedConvolutionalNetworks（DenseNets）阅读笔记原文：DenselyConnectedConvolutionalNetworks
Cyiano·2017-08-03 15:44

CVPR2017最佳论文 Densely Connected Convolutional Networks （DenseNets）阅读笔记

CVPR2017最佳论文DenselyConnectedConvolutionalNetworks（DenseNets）阅读笔记原文：DenselyConnectedConvolutionalNetworks
Cyiano·2017-08-03 15:44

cvpr2017:branchout——基于CNN的在线集成跟踪

原文链接：http://www.cnblogs.com/wyz2016/p/7233385.html1、引言2017年CVPR上有不少关于跟踪的paper。CF方面最引人瞩目的应该是ECO了，CNN方面也有一些新的进展。Branchout是一个基于CNN用bagging集成的在线跟踪方法。contributions:（1）提出了一种简单有效的正则化技术branchout，减少了集成学习方法在模型多
weixin_30627381·2017-07-25 14:00

神经网络的可解释性——Network Dissection: Quantifying Interpretability of Deep Visual Representations

本文是周博磊大神CVPR2017年的文章，主要关注网络的可解释性。前言神经网络的可解释性一直是一个很有趣也很有用的东西。
isMarvellous·2017-07-23 11:48

AR公司亮风台在“三大顶会”（CVPR、ICCV、ECCV）上的学术成果

7月21-26日，国际顶级会议—IEEE国际计算机视觉与模式识别会议（CVPR2017）将在美国夏威夷举办。“增强现实（AR）是计算机视觉与人机交互的交叉学科。”计算机视觉会议CVPR的开幕，
HiAR·2017-07-21 12:13

阅读笔记：自动发现，关系估计，学习上千个类别的语义属性，扩展zero-shot learning

论文地址：https://arxiv.org/pdf/1704.03607.pdf本文已经被CVPR2017接收，针对的是基于属性的识别模型（attribute-basedrecognitionmodel
不会讲段子的正能量小栗子·2017-06-15 16:17

A-Fast-RCNN 论文笔记

论文地址：A-Fast-RCNNCaffe代码：adversarial-frcnn前言近期为了学术汇报，阅读了这篇CVPR2017论文，该论文将对抗学习的思路应用在目标检测中，通过对抗网络生成遮挡和变形图片样本来训练检测网络
Jesse_Mx·2017-06-09 11:17

caffe openpose/Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields配置

RealtimeMulti-Person2DPoseEstimationusingPartAffinityFields是CVPR2017的一篇论文，作者称是世界上第一个基于深度学习的实时多人二维姿态估计
陈立里·2017-05-31 20:57

[CVPR2017]CFNet_End-to-end representation learning for Correlation Filter based tracking

CFNet是KCF的作者2017年最新的提出的目标跟踪算法，发表于CVPR2017，非常值得一读。
cuclxt·2017-05-15 22:26

【PSPNet】Pyramid Scene Parsing Network

引介CVPR2017，所属领域为SemanticSegmentation.Abstract场景解析对于无限制的开放词汇和不同场景来说是具有挑战性的.本文使用文中的pyramidpoolingmodule
明天去哪·2017-05-15 11:20

[置顶] 论文笔记——CVPR 2017 Dilated Residual Networks

1.Background这次我来介绍一篇深度网络文章《DilatedResidualNetworks》，发表在CVPR2017会议上。作者是普林斯顿大学的FisherYu博士等人。网络简称为DRN。
FX677588·2017-05-07 14:00

目标跟踪最前沿算法资料收集

fid=1034:981ed20739385b10e9a8bc7019d73b97[CVPR2017]Ac
马卫飞·2017-04-21 11:55

论文阅读（XiangBai——【CVPR2017】Detecting Oriented Text in Natural Images by Linking Segments）

XiangBai——【CVPR2017】DetectingOrientedTextinNaturalImagesbylinkSegments目录作者和相关链接方法概括方法细节实验结果方法的局限性总结与收获点作者和相关链接作者论文下载石葆光
lilicao·2017-03-22 10:00

ECO: Efficient Convolution Operators for Tracking视频目标跟踪论文笔记（PPT版）

http://www.cvl.isy.liu.se/research/objrec/visualtracking/ecotrack/index.html作者：MartinDanelljan等发表会议：CVPR2017
越野者·2017-03-17 13:49
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他