convolutional 第9页

论文 | Credit Card Fraud Detection Using Convolutional Neural Networks

本篇博客继续为大家介绍一篇论文，也是关于用卷积神经网络CNN来进行信用卡欺诈检测的。论文信息论文题目：Creditcardfrauddetectionusingconvolutionalneuralnetworks作者姓名：FuK,ChengD,TuY,etal.会议期刊：InternationalConferenceonNeuralInformationProcessing发表时间：2016关键

蕾欧娜等等·2023-01-18 19:53

论文阅读：Convolutional Neural Networks for Sentence Classification 卷积神经网络的句子分类

ConvolutionalNeuralNetworksforSentenceClassification卷积神经网络的句子分类目录ConvolutionalNeuralNetworksforSentenceClassification卷积神经网络的句子分类摘要1引言2模型2.1正则化3数据集和实验设置3.1超参数和训练3.2预训练词向量3.3模型变体4结果与讨论4.1多通道与单通道模型4.2静态与

南有芙蕖·2023-01-18 11:06

论文阅读笔记：DSTGCN-Deep spatio-temporal graph convolutional network for traffic accident prediction

文章地址：https://doi.org/10.1016/j.neucom.2020.09.043特点：道路级别而非网格，未使用RNN一类时间序列网络，残差网络abstract：在现实世界中，交通事故通常会导致严重的人员伤亡和巨大的经济损失。及时准确地预测交通事故对保护公共安全和减少经济损失有很大的潜力。然而，由于交通事故具有复杂的因果关系，包括交通相关异质数据中的空间相关性、时间动态交互性和外部

ayuuuuu·2023-01-17 11:19

【Mixed Pooling】《Mixed Pooling for Convolutional Neural Networks》

RSKT-2014Internationalconferenceonroughsetsandknowledgetechnology文章目录1BackgroundandMotivation2ReviewofConvolutionalNeuralNetworks3Advantages/Contributions4Method5Experiments5.1Datasets5.2ExperimentalR

bryant_meng·2023-01-17 11:12

[通道注意力]--ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

实验效果：创新点：将SENet中的两个先降维后升维的卷积，替换为更有效的连接方式，提高准确率的同时也减少了参数量。代码：把代码拿到超分网络RCAN中尝试了一下，直接损失破万，目前还没找到原因，初步怀疑是缺少了BN层的原因。importtorchfromtorchimportnnfromtorch.nn.parameterimportParameterclasseca_layer(nn.Module

chenzy_hust·2023-01-16 08:22

最近论文汇总：ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

论文名称：ECA-Net:EfficientChannelAttentionforDeepConvolutionalNeuralNetworks论文链接：ECA-Net:EfficientChannelAttentionforDeepConvolutionalNeuralNetworks代码链接：https://github.com/BangguWu/ECANet文章目录一、摘要二、理论研究一、摘

深度菜鸡-达闻西·2023-01-16 08:47

论文阅读——ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

ECA-Net:EfficientChannelAttentionforDeepConvolutionalNeuralNetworks改进版通道注意力fromCVPR2020期末结束，开始投入论文和实验的海洋摘要：通道注意力有效提升了CNN的性能，但是随着一系列复杂注意力模块的提出不可避免增加了计算成本。为了平衡性能和复杂度，本文设计了一种超轻量级的注意力模块-ECAModule(Efficien

黄小米吖·2023-01-16 08:46

阅读ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

前面学习了SENet为代表的通道注意力机制来提高网络性能，但是该网络模型涉及降维以控制模型复杂性。但是作者实验中显示维度减少对通道注意预测产生了副作用，因为其将通道特征投影到低维空间，然后将其映射回来，使通道与其权重之间的对应关系成为间接的，并且捕获所有通道之间的依赖关系是低效且不必要的。因此作者设计了ECA模块，该模块避免了维度缩减，并以有效的方式捕获跨通道交互。1.模块结构:首先自适应地确定核

大白兔奶糖yyds·2023-01-16 08:14

ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks---CVPR2020

这是CVPR2020的一篇文章。地址：如上图所示，SE实现通道注意力是使用两个全连接层，而ECA是需要一个的卷积。作者这么做的原因一方面是认为计算所有通道两两之间的注意力是没有必要的，另一方面是用两个全连接层确实引入了太多的参数和计算量。因此作者进行了AvgPool之后，只是使用了一个感受野为k的一维卷积（相当于只计算与相邻k个通道的注意力），这样做就大大的减少的参数和计算量。(i.e.相当于SE

查无此人☞·2023-01-16 08:44

SA-NET: shuffle attention for deep convolutional neural networks

摘要注意力机制使得神经网络能够准确地关注输入的所有相关元素，已经成为提高深层神经网络性能的重要组成部分。在计算机视觉的研究中心，主要有两种广泛使用的注意力机制：空间注意和通道注意力，他们分别旨在捕捉像素级的成对关系和通道依赖性。虽然将它们融合在一起可能会比他们各自的实现获得更好的性能，但是这不可避免地会增加计算开销。针对这一问题，本文提出了一种有效的ShuffleAttention模块，该模块采用

Cierlly·2023-01-16 08:13

【论文阅读笔记】【CVPR2020】ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

源文https://www.researchgate.net/publication/336361781_ECA-Net_Efficient_Channel_Attention_for_Deep_Convolutional_Neural_Networks

creami11·2023-01-16 08:12

【翻译+笔记】ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

（因为没本事解读数学推导于是只能整了一份加笔记的翻译）ECA-Net:深度卷积神经网络的有效通道注意ECA-Net:EfficientChannelAttentionforDeepConvolutionalNeuralNetworks论文开源代码文章总结ECA-Net是基于SE-Net的扩展，作者认为SEblock的两个FC层之间的降维是不利于channelattention的权重学习的，权重学习

Kaleidoscope-·2023-01-16 08:10

神经网络一 | ImageNet Classification with Deep Convolutional Neural Networks

一大量数据集与大规模网络训练1.1个人简单理解该文章设计目的是能够学习大规模，高分辨率的图像数据集且具备足够学习能力的网络。如此一来就免不了对网络的宽度和深度有较高的要求，与此同时网络参数的数量和计算量也是庞大的。作者首先确定使用CNNs的架构，这样做减少了神经层之间的连接以及参数量，便于训练，且性能相比标准的具有相似尺寸大小的网络层的前馈神经网络只是轻微的下降。之后作者在框架中引入了几个设计，如

我去喝咖啡了·2023-01-14 23:58

ImageNet Classification with Deep Convolutional Neural Networks

参考ImageNetClassificationwithDeepConvolutionalNeuralNetworks-云+社区-腾讯云摘要我们训练了一个大型的深度卷积神经网络，将ImageNetLSVRC-2010竞赛中的120万幅高分辨率图像分成1000个不同的类。在测试数据上，我们实现了top-1名的错误率为37.5%，top-5名的错误率为17.0%，大大优于之前的水平。该神经网络有600

Wanderer001·2023-01-14 23:57

ImageNet classification with deep convolutional neural networks

使用深度卷积神经网络进行ImageNet图像分类目录1.引言2.网络结构2.1小细节2.2代码部分3.创新点3.1非线性激活函数ReLU（提速）3.2多GPU训练（提速）3.3局部响应归一化（增强泛化能力，已不再使用）3.4重叠池化（轻微防止过拟合/提高准确率，不再使用）3.5数据增强（防止过拟合）3.6dropout4.参考1.引言2012年被认为是深度学习复兴之始，当时来自多伦多大学的Hint

每天都要吃肉肉(●'◡'●)·2023-01-14 23:25

Alexnet论文介绍(ImageNet Classification with Deep Convolutional Neural Networks)

摘要本文训练了一个深度卷积神经网络进行ImageNetLSVRC-2010图片分类比赛(1000各类别，共120万高质量标注的图片)，在top1测试场景下错误率37.5%，在top-5测试场景下错误率17.0%，远小于之前最好的结果。网络的大体结构：6000万个参数、65万个神经节点、5个卷积层、几个最大值池化层(max-poolinglayers)、3个全连接层、最后还有一个1000个类

hustqb·2023-01-14 23:23

ImageNet Classification with Deep Convolutional Neural Networks-AlexNet详细解读

作者：18届CYL日期：2020-7-20标签：AlexNet卷积神将网络一、写在前面的话常识区：1、ImageNet是一个在2009年创建的图像数据集，之后就是从2010年开始到2017年为期七届的ImageNet挑战赛ImageNetLargeScaleVisualRecognitionChallengeI(LSVRC)，在这个挑战赛上诞生了AlexNet，ZFNet，OverFeat，VGG

中南大学苹果实验室·2023-01-14 23:53

Alexnet论文介绍（超详细）——ImageNet Classification with Deep Convolutional Neural Networks

近期开始阅读cv领域的一些经典论文，本文整理计算机视觉的奠基之作——Alexnet论文原文：ImageNetClassificationwithDeepConvolutionalNeuralNetworks（有需要论文原文的可以私信联系我）本文的阅读方法是基于李沐老师的B站讲解视频，需要细致去看的小伙伴可以去搜索，链接如下：9年后重读深度学习奠基作之一：AlexNet【论文精读】_哔哩哔哩_bil

小卓搞AI·2023-01-14 23:51

【论文阅读】Spatio-Temporal Graph Convolutional Networks:...Traffic Forecasting[时空图卷积网络:用于交通预测的深度学习框架]（4）

【论文阅读】Spatio-TemporalGraphConvolutionalNetworks:ADeepLearningFrameworkforTrafficForecasting[时空图卷积网络:用于交通预测的深度学习框架]（4）4.Experiments（实验）4.1DatasetDescription（数据集描述）4.2DataPreprocessing（数据预处理）4.3Experime

炎武丶航·2023-01-14 20:48

课程设计：Link prediction on PPI with Graph convolutional neural network

文章目录ProblemsQuestion1:NodesimilaritycalculationQuestion2:NodeembeddingandpredictionQuestion1一.实验内容二．算法原理三．实验步骤四．实验结果五．总结Question2一．实验摘要二．模型和算法描述三．实验步骤1.数据预处理2.模型描述3.代码摘要四．实验结果五．总结参考文献ProblemsQuestion1

西工大苗苗·2023-01-14 07:38

SECOND: Sparsely Embedded Convolutional Detection

Abstract基于LiDAR或基于RGB-D的目标检测被用于从自动驾驶到机器人视觉的众多应用中。一段时间以来，基于体素的3D卷积网络在处理点云LiDAR数据时被用于增强信息的保留。然而，问题仍然存在，包括推理速度慢和方向估计性能低。因此，我们研究了一种用于此类网络的改进稀疏卷积方法，该方法显着提高了训练和推理的速度。我们还引入了一种新形式的角度损失回归来提高方向估计性能和一种新的数据增强方法，可

fish小余儿·2023-01-12 22:49

CNN（Convolutional Neural Network）

CNN的基本结构图中是一个图形识别的CNN模型。可以看出最左边的船的图像就是我们的输入层，计算机理解为输入若干个矩阵，这点和DNN基本相同。接着是卷积层（ConvolutionLayer）,这个是CNN特有的。卷积层的激活函数使用的是ReLU。我们在DNN中介绍过ReLU的激活函数，它其实很简单，就是ReLU(x)=max(0,x)。在卷积层后面是池化层(Poolinglayer)，这个也是CNN

梦码城·2023-01-12 19:09

A Convolutional Neural Network for Modelling Sentences -- 阅读笔记

前言：这是一篇对经典NLP论文，AConvolutionalNeuralNetworkforModellingSentences(Kalchbrenner,Grefenstette&Blunson,2014)的总结笔记。本文将采取由重到轻的顺序排列论文各部分的总结。首先会探讨论文的大意和提出新模型的动机，为此我们会先讨论Abstract和第一小节；之后我们会探索模型的模型的细节这个地方主要设计文章

Andyq1983·2023-01-12 19:35

Convolutional Neural Network(CNN)

ConvolutionalNeuralNetwork(CNN)图像分类所有输入图片的大小相同每一张图像是一张三维的Tensor，长宽和通道数将图片展成一个向量作为输入，在FCN中会产生很多参数网络不一定需要看到完整的图片，一小部分就可以看到关键信息简化Fullyconnectionnetwork1：Receptivefield，每一个netural只需要看自己的Receptivefield.可以重

Shannnon_sun·2023-01-12 19:02

【Paper】Graph Convolutional Networks for Hyperspectral Image Classification

当前的现状（1）虽然CNN在捕捉空-谱信息具备优势，但是它在样本之间的建模能力依然有限。（2）由于在所有数据上都要构造邻接矩阵，传统的GCN计算量很大，特别是在大规模的遥感问题上。本文贡献GCNs超越了网格采样的局限性，并成功地应用于不规则（或非网格）数据的表示和分析。（1）本文从HS图像分类的角度对CNNs和GCNs（定性和定量）进行了深入的研究；（2）针对GCN计算量很大，提出了一种新的小批量

pangpd·2023-01-12 12:11

【Paper】Nonlocal Graph Convolutional Networks for Hyperspectral Image Classification

1.当前现状（1）CNN和RNN中在高光谱的分类中应用广泛，它们属于一种监督分类学习，依赖于充足的训练样本。对于标记好的训练样本，收集起来相当昂贵（可以理解为费时，费力）；（2）未被标记的样本可以以任意数据来获取；2.明确本文工作针对以上问题，本文指出：能够同时探索并利用标记和未标记数据进行高光谱图像分类的网络将是一个非常有趣的问题！（其实就是作者看了GCN半监督分类的优势）3.工作提出一种non

pangpd·2023-01-12 12:11

论文阅读笔记(18):Graph Convolutional Subspace Clustering，图卷积子空间聚类

论文阅读笔记（18）：GraphConvolutionalSubspaceClustering:ARobustSubspaceClusteringFrameworkforHyperspectralImage摘要简介相关工作子空间聚类图卷积网络方法论图卷积子空间聚类(GCSC)高效GCSC高效核GCSC使用GCSC对HSI聚类摘要高光谱（HSI）图像聚类是一项具有挑战性的任务。子空间聚类已被证明是利

塔_Tass·2023-01-12 12:11

【Paper】Multiscale Dynamic Graph Convolutional Network for Hyperspectral Image Classification

摘要CNN的弊端传统的CNN模型只能对具有固定大小和权重的规则正方形图像区域进行卷积运算，因而不能普遍适用于具有不同目标分布和几何外观的不同局部区域。GCN为了克服这一缺点，我们考虑将最近提出的图卷积网络（GCN）用于高光谱图像分类，因为它可以对任意结构的非欧几里德数据进行卷积，并且适用于由图拓扑信息表示的不规则图像区域。本文贡献（1）与现有的基于固定图的GCN模型不同的是，我们使图能够随着图的卷

pangpd·2023-01-12 12:10

论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

前言本文提出了一种可扩展的基于图数据结构的半监督学习方法，该方法基于一个有效的卷积神经网络变形，这种变形能够直接对图进行操作（卷积层变为了图卷积层）。图结构的数据在现实应用中非常常见，比如:SocialNetworks,CitationNetwoks,KnowledgeGraphs等。图半监督学习的setting是，在给定的图结构的数据中，只有少部分节点是有标记的，大部分节点是未标记的。其任务就是

饮冰l·2023-01-12 12:40

论文阅读笔记之Deformable Convolutional Networks

论文地址：https://arxiv.org/abs/1703.06211摘要：卷积神经网络的固定几何结构限制了模型对物体形变的建模能力，在本工作中，我们引入了两个新的模块来增强CNNs的形变建模能力，即可变形卷积和可变形RoI池。通过额外的偏移量参数增强空间位置采样能力，并从目标任务中学习偏移量，不需要附加偏移量监督。新模块可以很容易的在现有网络中进行替换，通过标准反向传播很容易进行端到端的训练

AICVer·2023-01-12 12:40

文献阅读记录：Graph Convolutional Networks for Hyperspectral Image Classification

Flying Stone·2023-01-12 12:40

Hyperspectral Image Classification With Context-Aware Dynamic Graph Convolutional Network

论文记录1Abstract一RelatedworksA高光谱影像分类B图卷积网络二TheProposedmethodA图卷积网络B像素到区域的映射C动态图细化D区域到像素映射四试验结果与分析A数据集B试验设置C分类结果D标签数量对试验结果的影像E超参数影响F消融分析AblationStudyG训练时间五结论由南京理工大学ShengWan在2019年9月26日发表在预印本网站arxiv上，链接。这是

Eric Leee·2023-01-12 12:10

【论文阅读笔记】Graph Convolutional Networks for Text Classification

目录1原文2针对问题3模型/方法3.1TextGCN4实验结果5讨论6结论1原文GraphConvolutionalNetworksforTextClassification源码2针对问题文本分类是自然语言处理中一个常见的基础问题。我们常用的文本表示方法有CNN，RNN，LSTM等等。这些模型会优先考虑文本的顺序信息和局部信息，能够很好的捕获连续词序列中的语义和语法信息，但是它忽略了全局的词共现，

月满星沉·2023-01-12 12:09

Hyperspectral Band Selection Using Attention-Based Convolutional Neural Networks

HyperspectralBandSelectionUsingAttention-BasedConvolutionalNeuralNetworks无监督的缺点：1、在特征空间中选择最优维数是一个难点2、波段相关性常常被忽视，导致数据冗余3、当与其他波段结合时可能具有信息性的波段被删除4、由于噪声波段与其他波段的相关性较低，因此常被标记为信息波段立足点：采用异常检测由于“重要波段”占少数，可以认为是

好好会·2023-01-12 12:09

图卷积神经网络--Graph Convolutional Networks for Hyperspectral Image Classification

一、文章摘要卷积神经网络（CNN）由于能够捕捉空间-光谱特征表示，在高光谱（HS）图像分类中受到越来越多的关注。然而，他们对样本之间关系建模的能力仍然有限。除了网格采样的局限性，最近提出了图卷积网络（GCN），并成功地应用于不规则（或非网格）数据的表示和分析。在本文中，我们从HS图像分类的角度对CNN和GCN（定性和定量）进行了深入研究。由于在所有数据上构造邻接矩阵，传统的GCN通常会遭受巨大的计

你这个代码我看不懂.·2023-01-12 12:39

CNN卷积神经网络之DCN（Deformable Convolutional Networks、Deformable ConvNets v2）

可变形卷积网络DeformableConvNetsV1、V2前言一、DeformableConvolutionalNetworksDeformableConvolutionDeformableRoIPoolingPosition-Sensitive(PS)RoIPoolingoffset偏移学习实验效果思考二、DeformableConvNetsv2StackingMoreDeformableCo

球场书生·2023-01-12 10:30

PointConv: Deep Convolutional Networks on 3D Point Clouds

摘要图像数据通常可以表示成密集的网格形式，而三维的点云数据通常是不规则的无序的。因此，在点云数据上使用卷积是困难的。本文将动态滤波器拓展为一种新的卷积操作——PointConv。PointConv可以应用于点云进而搭建深度卷积网络。我们把卷积核视作一个作用在局部三维点坐标系上的由权重和密度函数组成的非线性函数。给定一个点，权重函数可以通过多层感知网络习得，而密度函数可以通过核密度估计来得到。本文最

lrr95·2023-01-11 19:35

【论文阅读】[CVPR 2019] PointConv： Deep Convolutional Networks on 3D Point Clouds. [cls. seg.]

论文地址：https://arxiv.org/abs/1811.07246代码：https://github.com/DylanWusee/pointconv翻译：https://blog.csdn.net/john_bh/article/details/103959200文章目录1.Abstractidea：本文贡献:介绍：参考：我的总结：1.Abstract与以规则密集网格表示的图像不同，3D

I"ll carry you·2023-01-11 19:35

【1811.07246】PointConv: Deep Convolutional Networks on 3D Point Clouds

文章目录3.参考资料3.参考资料【3D计算机视觉】PointConv——在点云上高效实现卷积操作

I"ll carry you·2023-01-11 19:35

论文笔记：[CVPR 2019] PointConv： Deep Convolutional Networks on 3D Point Clouds

[CVPR2019]PointConv：DeepConvolutionalNetworkson3DPointClouds.[tensorflow][cls.seg.]火1、四个问题解决什么问题CNN使用卷积被证明是成功的，希望将卷积操作搬到3D数据上。用什么方法解决提出了一个在3D数据上的卷积算子，称为：PointConv用了内存更加高效的办法实现PointConv在PointConv上扩展到反卷

I"ll carry you·2023-01-11 19:05

PointConv: Deep Convolutional Networks on 3D Point Clouds学习笔记

摘要在本文中，我们将动态滤波器扩展成为新的名为PointConv的卷积操作，PointConv可以用于点云数据，创建深度卷积网络。我们将卷积核视为由权重和密度函数组成的3D点的局部坐标的非线性函数。对于给定点，通过核密度估计利用多层感知机网络和密度函数来学习权重函数。这项工作最重要的贡献是提出了一种新的用于有效计算权重函数的公式，这使我们能够大幅度扩展网络并显著提高网络性能。用于计算3D空间中任何

路&客·2023-01-11 19:04

【论文阅读】3D点云 -- PointConv: Deep Convolutional Networks on 3D Point Clouds

Abstract与在规则密集网格中表示的图像不同，三维点云是不规则和无序的，因此对其应用卷积可能很困难。在本文中，我们将动态卷积扩展到一种新的卷积运算，名为PointConv。PointConv可以应用于点云，以构建深度卷积网络。我们将卷积核视为由权重函数和密度函数组成的三维点的局部坐标的非线性函数。对于给定的点，通过多层感知器网络和核密度估计的密度函数学习权函数。这项工作最重要的贡献是提出了一种

magic_ll·2023-01-11 19:34

PointConv: Deep Convolutional Networks on 3D Point Clouds （CVPR-2019）

论文：https://arxiv.org/abs/1811.07246代码：https://github.com/xautdestiny/pointconv摘要：与常规密集网格所代表的图像不同，3D点云数据是不规则且无序的，因此很难将卷积操作应用到3D点云数据。在本文中，我们将动态滤波器扩展成为新的名为PointConv的卷积操作，PointConv可以用于点云数据，创建深度卷积网络。我们将卷积核

zy_destiny·2023-01-11 19:34

论文阅读 | PointConv: Deep Convolutional Networks on 3D Point Clouds

前言：通过MLP和点密度来估计点卷积的卷积核权重的方法，发表在CVPR2019论文地址：【here】代码地址：【here】PointConv:DeepConvolutionalNetworkson3DPointClouds引言3D点云数据不像2D数据一样，有规整的网格形状，它的点是无序的，因此不太好使用卷积这篇文章解决了这个问题，我们将卷积抽象成数学的连续形式，然后扩展到3维，而MLP可以估计这个

btee·2023-01-11 19:04

论文阅读| ShellNet: Efficient Point Cloud Convolutional Neural Networks using Concentric Shells...

前言：点云分类和分割方向文章–ICCV2019oralpage:[here]ShellNet:EfficientPointCloudConvolutionalNeuralNetworksusingConcentricShellsStatistics引言基于点（point-based）的点云处理方法在pointNet（纯全局特征）基础上，需要探索局部和全局特征，并平衡好网络复杂度、训练速度与准确性。