Convolutional 第7页

活体检测Learnable Descriptive Convolutional Network for Face Anti-Spoofing学习笔记

论文链接：https://bmvc2022.mpi-inf.mpg.de/0239.pdf代码链接：https://github.com/huiyu8794/LDCNet1FAS面临的挑战（1）与其他cv任务不同，FAS处理的是真假人脸之间高度相似的特征，需要更加精细的特征表示来表征与人脸呈现攻击相关的内在特征；（2）不同benchmark的数据集有不同的数据分布，在一个数据集上训练的模型，在另一

Cassiel_cx·2023-02-19 07:43

Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks 笔记

这是2016年发的文章。Abstract由于不同的姿势，照明，遮挡等原因，在不受控制的环境下人脸检测和对齐是具有挑战性的。在这篇文章中，提出了一个深度级联的多任务框架，它能够探索人脸检测和人脸对齐的内在关系来提高他们的表现。特别是，我们的框架利用了经过精心设计的三个阶段的深层卷积网络的级联架构，以粗略的方式预测人脸和地标位置。（landmarklocation指的什么？）Introduction人

晨光523152·2023-02-17 22:38

[文献翻译]Convolutional Two-Stream Network Fusion for Video Action Recognition

摘要：卷积神经网络（ConvNets）在基于视频的动作识别方面提出了不同的解决方案用于合并外观信息和运动信息。我们研究了多种在空间和时间上融合ConvNet结果的方法，以便最好地利用此时空信息。我们有以下发现：（i）在卷积层上融合时空网络信息，而不是在softmax层上进行融合，并不会损失性能，还可以节省大量参数；（ii）在空间上最后一个卷积层上融合此类网络更合适，而不是在早期进行融合，并且在预测

夏迪End·2023-02-17 17:53

MoCoViT: Mobile Convolutional Vision Transformer

paper链接:https://arxiv.org/abs/2205.12635v1MoCoViT:MobileConvolutionalVisionTransformer(一)、引言(二)、实现细节(一)、MobileSelf-Attention(MoSA)(二)、MobileFeedForwardNetwork(MoFFN)(三)、MobileTransformerBlock(MTB)(四)、

小小小~·2023-02-17 12:34

【图像分类—VGG】 Very deep convolutional networks for large-scale image recognition

一、论文翻译论文：Verydeepconvolutionalnetworksforlarge-scaleimagerecognitionVGG对于Alexnet来说，改进并不是很大，主要改进就在于使用了小卷积核，网络是分段卷积网络，通过maxpooling过度，同时网络更深更宽。分别在定位和分类问题中获得了第一和第二名。我们还表明，我们的方法很好地推广到了其他数据集上，在那里他们实现了最好的结果。

gkm0120·2023-02-17 07:04

【读点论文】ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks改进senet

ECA-Net:EfficientChannelAttentionforDeepConvolutionalNeuralNetworks注意力机制早在上世纪九十年代就有研究，到2014年Volodymyr的《RecurrentModelsofVisualAttention》一文中将其应用在视觉领域，后来伴随着2017年AshishVaswani的《Attentionisallyouneed》中Tra

羞儿·2023-02-17 07:04

ImageNet Classification with Deep Convolutional Neural Networks

ImageNetClassificationwithDeepConvolutionalNeuralNetworks原文：http://xanadu.cs.sjsu.edu/~drtylin/classes/cs267_old/ImageNet%20DNN%20NIPS2012(2).pdf翻译：https://www.jianshu.com/p/ea922866e3be一、理解文章1、背景知识Re

Miss Wu·2023-02-17 07:26

论文阅读：Convolutional Neural Networks for Sentence Classification

转自：https://blog.csdn.net/chuchus/article/details/778474761.简介TextCNN是利用卷积神经网络对文本进行分类的算法，由YoonKim在“ConvolutionalNeuralNetworksforSentenceClassification”一文(见参考[1])中提出.是2014年的算法.图1-1参考[1]中的论文配图图1-2网络盗图合理

暴躁的猴子·2023-02-17 07:55

【每周一文】Convolutional Neural Network for text/sentence classification（2016）

概述卷积神经网络（CNN）相比于基于词袋模型的DNN有以下优点：1.能够捕获局部的位置信息2.能够方便的将不定长的输入转换成定长输入接入到DNN网络中3.相比于RNN模型计算复杂度低，在很多任务中取得不错的效果。在自然语言处理（NLP）的分类任务中，文本分类或者句子分类也能表现比较好的效果，甚至达到stateofart效果。另外如果借助于预训练的词向量、字向量或者字符向量效果更佳。本文介绍CNN在

下一步·2023-02-17 07:51

文献阅读（63）NIPS2012-ImageNet Classification with Deep Convolutional Neural Networks

本文是对《ImageNetClassificationwithDeepConvolutionalNeuralNetworks》一文的浅显翻译与理解，如有侵权即刻删除。更多相关文章，请移步：文献阅读总结：计算机视觉文章目录Title总结1整体框架1.1ReLU激活函数1.2GPU上并行训练1.3局部归一化1.4有重叠池化2减少过拟合2.1数据增强2.2Dropout3回顾Title《ImageNet

学徒刘猛·2023-02-17 07:48

一文读懂深度学习经典论文AlexNet(ImageNet Classification with Deep Convolutional Neural Networks)

论文链接：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdfReference

error_or_hero·2023-02-17 07:16

(1)论文 WWW2019 《Knowledge Graph Convolutional Networks for Recommender Systems》

论文信息论文名称:KnowledgeGraphConvolutionalNetworksforRecommenderSystems会议:WWW2019论文地址:https://dl_acm.xilesou.top/citation.cfm?id=3313417论文介绍1.论文所做工作这篇论文将图神经网络GNN中的图卷积网络GCN模型应用到了知识图谱KG中，并运用到推荐系统中。本篇论文的创新点：1.

无大大无大大·2023-02-17 04:19

【论文阅读】Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks

【论文阅读】HumanActionRecognitionusingFactorizedSpatio-TemporalConvolutionalNetworks这是一篇15年ICCV的论文，在15年的时候，3D卷积网络刚刚兴起，但是因为3D卷积网络的参数量较多，而且训练数据的规模也没有现在这么大，所以网络的参数非常不易优化，这个时候，限制3D卷积网络性能的主要是数据。文章根据当时3D网络的局限性，将

NRZZN·2023-02-16 22:17

Human Action Recognition Using a Modified Convolutional Neural Network(经典文献阅读)

Originalurl:http://blog.csdn.net/sheng_ai/article/details/40537969https://wenku.baidu.com/view/640545d6d0d233d4b14e69ea.html一.文献名字和作者HumanActionRecognitionUsingaModifiedConvolutionalNeuralNetwork，Ho-J

junmuzi·2023-02-16 22:15

learning Efficient Convolutional Networks through Network Slimming

learningEfficientConvolutionalNetworksthroughNetworkSlimming文章目录learningEfficientConvolutionalNetworksthroughNetworkSlimming总结总结

椰子奶糖·2023-02-07 09:57

1/200 Learning Efficient Convolutional Networks through Network Slimming

Keywords：networkslimming,Sparsifying,ChannelPruning,Fine-tuning针对问题及解决方案：针对深度神经网络在实际应用中的部署很大程度上受到高计算成本的阻碍的问题，本文提出网络瘦身的方法来解决该问题。具体来讲，这是一种基于通道稀疏性，将训练过程的开销降到最低，并且生成的模型也不需要特殊的软件或硬件加速器的一种方法。它以宽大的网络作为输入模型，在

一定向着光的方向·2023-02-07 09:19

《Convolutional Radio Modulation Recognition Networks》阅读总结和思维导图

ConvolutionalRadioModulationRecognitionNetworks-mindmap1.创新点1.1.内容利用CNN进行thecomplextemporalradiosignaldomain的研究1.2.效果相对于手动提取特征，CNN从原始数据中自动提取特征的性能好很多2.介绍2.1.机器学习的技术在CV和语音识别中运用广泛且非常好2.2.传统的无线电通信技术提取专家特征

dreamsfuture·2023-02-07 08:17

SBR笔记:Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation

至少我还有梦a·2023-02-06 13:23

Face Normals “in-the-wild” using Fully Convolutional Networks

这篇文章是解决in-the-wild情况下的2D图片到3D模型的生成问题。这一问题的主要困难在于没有现成的数据集，也即现有的in-the-wild2D人脸数据集都没有对应的3D扫描结果，因此作者尝试将现有的3D人脸贴合到2D图片上来获得新的图片，从而得到对应的3D扫描结果。文中收集了一堆有3D面部扫描的数据集（还有一些基于不同人造光照的数据集，不过可以通过算法还原成3D面部扫描），然后人工在3D脸

深蓝蓝蓝蓝蓝·2023-02-06 11:05

论文笔记：Distant Supervision for Relation Extraction via Piecewise Convolutional Neural Networks

才疏学浅，欢迎批评指正1.基于远程监督的关系抽取（DistantSupervisionforRelationExtraction）\qquad与传统的关系抽取方法不同，远程监督关系抽取利用知识库中的关系实例与非结构化文本进行对齐，自动构建训练语料，训练分类器，减少了关系抽取模型对于人工标注的依赖。\qquad远程监督基于以下假设：\qquad\qquad如果两个实体在知识库中存在某种关系，则包含该

新新点灯9789·2023-02-06 07:48

Learning Efficient Convolutional Networks Through Network Slimming论文阅读笔记

作者：弓长木公论文链接：https://arxiv.org/abs/1708.06519代码：https://github.com/liuzhuang13/slimming概述：此方法基于channel-wise，提出将L1正则化施加到BN层的缩放因子上，L1正则化推动BN层的趋向于零，这使得能够鉴别出不重要的通道或者神经元，因为每一个都和一个特定的CNN卷积通道（或者全连接层的一个神经元）相关联

AI松子666·2023-02-05 23:35

【Pruning系列：二】Learning Efficient Convolutional Networks through Network Slimming｜YOLOv3实践｜Pytorch 总结

几个基于YOLO的剪枝pytorch项目YOLOv3-model-pruningIntroduction剪枝算法步骤YOLOv3-complete-pruningIntroduction剪枝方式特点yolov3-channel-and-layer-pruningIntroduction基本工作流程ResidualcodeSlimYOLOv3:Narrower,FasterandBetterforR

鹿鹿最可爱·2023-02-05 23:05

模型剪枝：Learning Efficient Convolutional Networks through Network Slimming

论文：https://arxiv.org/abs/1708.06519代码：https://github.com/liuzhuang13/slimming简介由于深度学习模型大小以及计算资源的限制，导致模型部署时受到了很大阻碍，为了解决这个问题，就形成了一个新的领域：模型压缩。常见的方法有：量化、剪枝、蒸馏等。本文便是“剪枝”当中一篇非常经典且有效果的一篇文章。相关工作图片来自：https://w

微风❤水墨·2023-02-05 23:04

Learning Efficient Convolutional Networks Through Network Slimming

NetworkSlimming——通道剪枝-知乎论文链接：LearningEfficientConvolutionalNetworksthroughNetworkSlimming官方代码（Torch实现）：liuzhuang13/slimming第三方代码（PyTorch实现）：foolwood/pytorch-slimming摘要在许多现实应用中，深…https://zhuanlan.zhihu

a flying bird·2023-02-05 23:04

Learning Efficient Convolutional Networks through Network Slimming 论文学习

Abstract由于计算资源消耗过高，在许多现实的应用上部署深度卷积网络就受到了限制。在这篇论文中，作者提出了一个新的CNN学习机制：1）降低模型的大小；2）降低运行时内存占用；3）减少计算操作的数量，而不会损失精度。作者通过一个简单但有效的方法，将网络的各个通道变得稀疏。和许多现有方法不同，此方法可以直接用在当前的CNN结构上，将训练过程中的额外开支降到最低，最终的模型也不需要任何特殊的软件或硬

calvinpaean·2023-02-05 23:34

【论文阅读】【剪枝】Learning Efficient Convolutional Networks through Network Slimming

摘要深度卷积神经网络（CNN）在许多实际应用中的部署在很大程度上受到其高计算成本的阻碍。在本文中，我们提出了一种新的神经网络学习方案，以同时1）减小模型大小；2）减少运行时内存占用；以及3）在不损害精度的情况下减少计算操作的数量。这是通过以简单但有效的方式在网络中实施通道级稀疏性来实现的。与许多现有方法不同，所提出的方法直接适用于现代CNN架构，为训练过程引入了最小开销，并且不需要用于生成模型的专

weixin_50862344·2023-02-05 23:33

【阅读笔记】ImageNet Classification with Deep Convolutional Neural Networks

文献名：ImageNetClassificationwithDeepConvolutionalNeuralNetworks文献出处https://doi.org/10.1145/3065386作者单位UniversityofToronto作者AlexKrizhevsky、IlyaSutskever、GeoffreyE.Hinton索引情况9707（截止22.02.27）研究动机作者训练了一个深度卷

wx_21℃·2023-02-05 19:14

2012_ImageNet Classification with Deep Convolutional Neural Networks

文章目录1.Title2.Summary3.ProblemStatement4.Method(s)4.1Introduction4.1.1ImageNet数据集4.1.2卷积神经网络（ConvolutionalNeuralNetwork）4.2模型结构4.2.1ReLU激活函数4.2.2多GPU并行处理4.2.3局部响应归一化（LocalResponseNormalization）4.2.4重叠池

小毛激励我好好学习·2023-02-05 19:43

论文导读#1：《ImageNet Classification with Deep Convolutional Neural Networks》

目录论文原版+笔记：前言二、数据集三、网络结构四、降低过拟合五、学习细节六、结果七、讨论总结论文原版+笔记：链接：https://pan.baidu.com/s/10E5LzDewLlXW8O2WH4AWUw提取码：av5z前言本文章是笔者读完《ImageNetClassificationwithDeepConvolutionalNeuralNetworks》后，对于论文的归纳总结，可以给尚未读者

caohaogyl·2023-02-05 19:43

ImageNet Classification with Deep Convolutional Neural Networks经典论文

来自B站视频【论文复现代码数据集见置顶评论】3小时高效复现CV计算机视觉经典论文！论文精讲&代码复现：目标检测、图像分类、图像分割、轻量化网络、GAN、OCR_哔哩哔哩_bilibili博客-ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文解读-知乎1、研究背景AlexNet成功的两个因素，第一个是数据集，第二个是强大的计算资源

oyou-2021·2023-02-05 19:12

《ImageNet Classification with Deep Convolutional Neural Networks》翻译

1引言2数据集3架构3.1ReLU非线性3.2训练多个GPU3.3局部响应归一化3.4重叠池化3.5整体架构4减少过拟合4.1数据增强4.2Dropout5学习细节6结果6.1定性评估7讨论参考文献ImageNetClassificationwithDeepConvolutionalNeuralNetworksImageNet\_{}Classification\_{}with\_{}Deep\_

大彤小忆·2023-02-05 19:41

ImageNet Classification with Deep Convolutional Neural Networks

文章想要解决的问题训练具有强大学习能力的深度卷积神经网络模型提高训练速度面对更大规模的数据集，如何有效避免过拟合该文章的重要意义在于其在ImageNet比赛中以巨大的优势击败了其它非神经网络的算法，在此之前，神经网络一直处于不被认可的状态。该主要贡献在于针对ImageNet这样一个较大较复杂的数据集，提出并搭建一个大型且复杂的深度卷积神经网络AlexNet来更好地实现识别和分类任务，并且突破了当时

m0_59813726·2023-02-05 19:40

pytorch代码实现之CBAM(Convolutional Block Attention Module)

importtorch.nnasnnimporttorchclassChannelAttention(nn.Module):def__init__(self,in_channels):super(ChannelAttention,self).__init__()self.avgpool=nn.AdaptiveAvgPool2d(1)self.maxpool=nn.AdaptiveMaxPool2d

差不太多先生·2023-02-05 16:44

Stacked Denoising and Stacked Convolutional Autoencoders

AnEvaluationofTransformationRobustnessforSpatialDataRepresentationsThisblogmainlywanttotakesomenotefromtheworkofSDA&SCAfromTUM----https://mediatum.ub.tum.de/doc/1381852/54858742554.pdfIthinktheygotthe

_Joe·2023-02-05 08:11

论文笔记之A Convolutional Click Prediction Model

AConvolutionalClickPredictionModel目标：CTR预估ConvolutionLayer对于有n个元素的输入，先做embedding。ei(d维)表示一个实例中的第i个元素的embedding，并构建实例矩阵(d*n维)。注意对这一步的理解，因为要做卷积，不能竖着直接stacking成一个长向量，而要拼成一个矩阵。ei的值在训练过程中得到。卷积层为d*w维，d和w均为超

小弦弦喵喵喵·2023-02-05 05:32

Keras卷积+池化层学习

转自：https://keras-cn.readthedocs.io/en/latest/layers/convolutional_layer/https://keras-cn.readthedocs.io

weixin_33849215·2023-02-04 15:44

论文解读《Deep Convolutional Neural Networks for Classifying GPR B-Scans》

标题：DeepConvolutionalNeuralNetworksforClassifyingGPRB-Scans作者：LanceE.BesawandPhilipJ.Stimac期刊：Proc.ofSPIEVol.9454945413-1abstractSymmetricandasymmetricburiedexplosivehazards(BEHs)presentreal,persistent

小兜同学在TJU·2023-02-04 07:44

mmocr的识别模型

参考https://zhuanlan.zhihu.com/p/356745766CRNNCRNN全称为Convolutional

yuanjiaqi_k·2023-02-04 00:21

论文阅读笔记 Convolutional Networks with Adaptive Computation Graphs

一、内容介绍深度卷积网络可以用来解决很多计算机视觉问题，其中对于图像分类问题网络深度对于分类性能很重要，ResNet网络通过添加恒等映射解决梯度消失的问题以允许训练更深的网络，但是这些网络模型架构对于任何输入图像都是固定的，然而有研究表明ResNet的每一层都可以被移除而性能几乎不受影响，也就是几乎没有一个单独的层对性能至关重要，所以在各个层之间存在高度的冗余。所以一个固定的网络架构可能是不需要的

hhhhhay·2023-02-03 21:40

torch_geometric--Convolutional Layers

torch_geometric–ConvolutionalLayers卷积层MessagePassing式中口口口表示可微的排列不变函数，例如:sum,mean,min,max或者mul和γΘ\gamma_{\Theta}γΘ和ϕΘ\phi_{\Theta}ϕΘ表示可微函数，例如MLPs.请参见这里的附带教程。参数aggr(stror[str]orAggregation,可选)使用的聚合方案，例如

发呆的比目鱼·2023-02-03 17:53

Micro-expression Analysis by Fusing Deep Convolutional Neural Network and Optical Flow阅读笔记

文章的主要内容包括三步：1，使用多任务学习网络进行人脸关键点定位，划分人脸区域。2，使用卷积网络得到每个区域的光流，使用的是flownet2.0。3，对得到的光流进行修正来改善得到的特征，最后用SVM进行分类。具体的：1，人脸关键点定位文章使用的多任务深度卷及网络参考的是这篇文章《Faciallandmarkdetectionbydeepmulti-tasklearning》2，光流网络主要用的是

hfutyfl802·2023-02-03 16:14

Convolutional Neural Networks卷积神经网络（该博主一系列都很好）

DeepLearning（深度学习）学习笔记整理系列[email protected]://blog.csdn.net/zouxy09作者：Zouxyversion1.02013-04-08声明：1）该DeepLearning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。具体的版本声明也参考原文献。2）本文仅供学术交流，非商用。所以每一部分具体的参考资

wonengguwozai·2023-02-03 09:21

（转载）Convolutional Neural Networks卷积神经网络

ConvolutionalNeuralNetworks卷积神经网络Contents一：前导BackPropagation反向传播算法网络结构学习算法二：ConvolutionalNeuralNetworks卷积神经网络三：LeCun的LeNet-5四：CNNs的训练过程五：总结本文是我在20140822的周报，其中部分参照了以下博文或论文，如果在文中有一些没说明白的地方，可以查阅他们。对YannL

tina_ttl·2023-02-03 09:17

Deep Learning（深度学习）Convolutional Neural Networks卷积神经网络

原地址：http://blog.csdn.net/zouxy09/article/details/87815439.5、ConvolutionalNeuralNetworks卷积神经网络卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使

孤独de雨·2023-02-03 09:46

Convolutional Neural Networks卷积神经网络

神经网络神经网络属于机器学习的一种算法，机器学习是我们解决人工智能领域很多问题所用到的一种手段。神经网络其实是属于深度学习技术的基础。神经网络，就是一个由大量神经元组成，并且能够自动进行学习和计算过程，它可以通过模仿人类大脑，从而获得更加精准、快速、准确判断。神经网络结构如下：输入层（Inputlayer）：众多神经元（Neuron）接受大量非线形输入讯息。输入的讯息称为输入向量。输出层（Outp

mbws__·2023-02-03 09:38

AlexNet 经典论文阅读报告 -ImageNet Classification with Deep Convolutional Neural Networks 文献综述

ImageNetClassificationwithDeepConvolutionalNeuralNetworks文献综述阅读时间：2021年10月15日论文基本信息作者在当时借助这篇论文提出了AlexNet,奠定了深度学习在计算机视觉领域中的地位。AlexNet被认为是计算机视觉领域最有影响力的论文之一，它刺激了更多使用卷积神经网络和GPU来加速深度学习的论文的出现[17]。截至2020年，Al

JingYuJingYuJingYu·2023-02-03 08:34

【笔记】Understanding Convolutional Neural Networks for NLP

链接敬上：http://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/。如侵权请联系我删文。

清水捡豆子·2023-02-02 07:45

Overcoming Challenges in Fixed Point Training of Deep Convolutional Networks

标题&作者.png论文地址：https://arxiv.org/pdf/1607.02241.pdf1摘要总所周知，以极低的数值精度来训练深度神经网络，尤其是深度卷积神经网络是具有挑战的。随机梯度下降算法由于存在数值精度有限的算术而导致出现噪声的梯度更新时变得不稳定。随机进位是一种易于接受的解决方案，它可以帮助训练低精度定点网络。然而，据我们所知，对带有噪声梯度更新的训练神经网络的不稳定性来源尚未

侯俊同学·2023-02-02 04:14

论文笔记-Convolutional Neural Networks for Speech Recognition

问题：ASR里用CNN做声学模型，输入特征FBANK，采用三通道形式作为输入，请问如何处理句子不同帧数问题？https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/CNN_ASLPTrans2-14.pdfhttps://yh1008.github.io/DNN-HMM/slides#/CONVOLUTIONALNEU

2018燮2021·2023-02-02 02:50

Transformer-Attention is all your need论文详读-PartⅢ(Why Self-Attention、训练、结果、结论)

://arxiv.org/abs/1706.037624.WhySelf-Attention在本节中，我们将自注意层(self-attentionl)的各个方面与循环层(recurrent)和卷积层(convolutional

蛮有趣的_·2023-02-01 17:33

推荐频道

Convolutional

活体检测Learnable Descriptive Convolutional Network for Face Anti-Spoofing学习笔记

Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks 笔记

[文献翻译]Convolutional Two-Stream Network Fusion for Video Action Recognition

MoCoViT: Mobile Convolutional Vision Transformer

【图像分类—VGG】 Very deep convolutional networks for large-scale image recognition

【读点论文】ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks改进senet

ImageNet Classification with Deep Convolutional Neural Networks

论文阅读：Convolutional Neural Networks for Sentence Classification

【每周一文】Convolutional Neural Network for text/sentence classification（2016）

文献阅读（63）NIPS2012-ImageNet Classification with Deep Convolutional Neural Networks

一文读懂深度学习经典论文AlexNet(ImageNet Classification with Deep Convolutional Neural Networks)

(1)论文 WWW2019 《Knowledge Graph Convolutional Networks for Recommender Systems》

【论文阅读】Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks

Human Action Recognition Using a Modified Convolutional Neural Network(经典文献阅读)

learning Efficient Convolutional Networks through Network Slimming

1/200 Learning Efficient Convolutional Networks through Network Slimming

《Convolutional Radio Modulation Recognition Networks》阅读总结和思维导图

SBR笔记:Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation

Face Normals “in-the-wild” using Fully Convolutional Networks

论文笔记：Distant Supervision for Relation Extraction via Piecewise Convolutional Neural Networks

Learning Efficient Convolutional Networks Through Network Slimming论文阅读笔记

【Pruning系列：二】Learning Efficient Convolutional Networks through Network Slimming｜YOLOv3实践 ｜Pytorch 总结

模型剪枝：Learning Efficient Convolutional Networks through Network Slimming

Learning Efficient Convolutional Networks Through Network Slimming

Learning Efficient Convolutional Networks through Network Slimming 论文学习

【论文阅读】【剪枝】Learning Efficient Convolutional Networks through Network Slimming

【阅读笔记】ImageNet Classification with Deep Convolutional Neural Networks

2012_ImageNet Classification with Deep Convolutional Neural Networks

论文导读#1：《ImageNet Classification with Deep Convolutional Neural Networks》

ImageNet Classification with Deep Convolutional Neural Networks经典论文

《ImageNet Classification with Deep Convolutional Neural Networks》翻译

ImageNet Classification with Deep Convolutional Neural Networks

pytorch代码实现之CBAM(Convolutional Block Attention Module)

Stacked Denoising and Stacked Convolutional Autoencoders

论文笔记之A Convolutional Click Prediction Model

Keras卷积+池化层学习

论文解读《Deep Convolutional Neural Networks for Classifying GPR B-Scans》

mmocr的识别模型

论文阅读笔记 Convolutional Networks with Adaptive Computation Graphs

torch_geometric--Convolutional Layers

Micro-expression Analysis by Fusing Deep Convolutional Neural Network and Optical Flow阅读笔记

Convolutional Neural Networks卷积神经网络 （该博主一系列都很好）

（转载）Convolutional Neural Networks卷积神经网络

Deep Learning（深度学习）Convolutional Neural Networks卷积神经网络

Convolutional Neural Networks卷积神经网络

AlexNet 经典论文阅读报告 -ImageNet Classification with Deep Convolutional Neural Networks 文献综述

【笔记】Understanding Convolutional Neural Networks for NLP

Overcoming Challenges in Fixed Point Training of Deep Convolutional Networks

论文笔记-Convolutional Neural Networks for Speech Recognition

Transformer-Attention is all your need论文详读-PartⅢ(Why Self-Attention、训练、结果、结论)

【Pruning系列：二】Learning Efficient Convolutional Networks through Network Slimming｜YOLOv3实践｜Pytorch 总结

Convolutional Neural Networks卷积神经网络（该博主一系列都很好）