discriminative 第4页

小白仍然努力学习之----------GAN基础知识

李宏毅还是厉害，讲的深入浅出一.GAN为什么需要generative与discriminative协作理解GAN，首先来看看，如果只用generative能不能做生成？答案是可以！！！

白痴一只·2018-09-26 21:01

ECCV2018 | 细粒度分类：多注意力多类别约束 Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition

强监督指图片标注中将物体某些显著特征（术语叫做discriminative判别性，可以区分类别的）部位信息给出，弱监督则没有此类信息。本文所

孟让·2018-09-26 16:36

2017CVPR--Adversarial Discriminative Domain Adaptation 对抗判别域适应

ADDA是当前域适应方法中较为出色的一种，同时也是一种典型的asymmetrictransformation。看了一些关于该论文的笔记，觉得不够通俗，于是自己总结了一下，也希望可以帮助大家稍微理解一点。论文地址：https://arxiv.org/abs/1702.05464背景生成对抗学习是现今一种很具前景的方法，生成器通过将源域分布不断的更新改进，使源域分布近似于目标域分布甚至是等同于目标分布

LiGuang923·2018-09-13 20:26

生成模型与辨别模型（Generative vs discriminative model）

生成模型与辨别模型（Generativevsdiscriminativemodel）这两个模型一般是讲的分类问题生成模型1、使用贝叶斯理论推断后验分布p(Ck|x)p(Ck|x),需要考虑先验分布p(Ck)p(Ck)和p(X|Ck)p(X|Ck)也可以对联合分布p(X,Ck)p(X,Ck)建模2、使用决策论对x分配类例子：辨别模型（discriminativemodel）辨别模型是确定一个函数，这

人工智障仁波切·2018-08-22 13:10

[ICCV 2017笔记] Learning Discriminative Latent Attributes for Zero-Shot Classification

学习判别性隐含属性实现零样本分类LearningDiscriminativeLatentAttributesforZero-ShotClassification本文亮点：对人类定义属性进行组合，学习隐含属性。文章目录[学习判别性隐含属性实现零样本分类LearningDiscriminativeLatentAttributesforZero-ShotClassification](http://op

一亩高粱·2018-08-21 09:50

Semantic Instance Segmentation with a Discriminative Loss Function【论文详解】

PAPER：https://arxiv.org/abs/1708.02551CODE：https://github.com/DavyNeven/fastSceneUnderstanding一、整体框架、流程本文提出了一种基于量度学习Meticlearning的用于语义分割和实例分割的方法。自定义LOSS训练CNN学习到一种metric，即从像素空间到高纬度空间的映射。使得同类（同实例）物体中的像素

sgx_hit·2018-08-15 21:35

[CVPR 2018笔记] Discriminative Learning of Latent Features for Zero-Shot Recognition

零样本学习新进展：使用鉴别性特征实现零样本识别DiscriminativeLearningofLatentFeaturesforZero-ShotRecognition本文亮点：对人类定义属性进行扩充，学习隐含属性。ZSL零样本学习(zero-shotlearning,ZSL)详见郑哲东在知乎中的回答。它的目标是通过训练阶段从已见类别中学习到的知识，来识别未见类别。Abstract摘要：零样本学习

一亩高粱·2018-08-12 16:08

CAM论文笔记--Learning Deep Features for Discriminative Localization

CAM：LearningDeepFeaturesforDiscriminativeLocalization背景论文主要针对图片中不同类别物体定位的弱监督学习问题，提出了基于分类网络的图片识别与定位。分类网络如VGGnet和Alexnet等基本由卷积操作对图片的特征进行提取，在网络末端使用全连接层进行信息综合和分类。在监督学习中，分类问题需要带类别标签的数据集，定位问题需要带BBox（Bound

Dominic_S·2018-07-25 20:48

CAM论文笔记--Learning Deep Features for Discriminative Localization

CAM：LearningDeepFeaturesforDiscriminativeLocalization背景论文主要针对图片中不同类别物体定位的弱监督学习问题，提出了基于分类网络的图片识别与定位。分类网络如VGGnet和Alexnet等基本由卷积操作对图片的特征进行提取，在网络末端使用全连接层进行信息综合和分类。在监督学习中，分类问题需要带类别标签的数据集，定位问题需要带BBox（Bound

Dominic_S·2018-07-25 20:48

深度学习之生成对抗网络（Gan）

模型主要通用框架有（至少）两个模块：生成模型（generative）和判别模型（Discriminative）的互相博弈学习产生的相当好的输出。

Li_GaoGao·2018-07-14 13:54

【论文笔记】DEEP JOINT DISCRIMINATIVE LEARNING FOR VEHICLE REID（车辆重识别的深度联合判别学习）

摘要本文提出一种DJDL模型，使用deepCNN,能够结合多种不同的任务：车辆身份识别，属性识别，verification认证任务，triplet三元组任务。整个网络通过一种特殊的batch组成联合优化。1.介绍车辆身份识别和属性识别主要关注个体样例，挖掘它们独有的特性。认证任务主要是为了限制两个样例之间的关系。（如果是同一身份，最小化距离）。triplet三元组任务主要是为了限制三个输入样例的相

Chen_yuazzy·2018-07-08 19:20

[论文阅读]Learning Discriminative Features with Multiple Granularityfor Person Re-Identification

LearningDiscriminativeFeatureswithMultipleGranularityforPersonRe-Identification这篇论文是CVPR2018ACMMultimedia2018的文章，作者是上交和云从科技的大牛。是目前为止，在Market-1501数据集上效果最好的方法。单张图片检索（singlequery）的rank-1达到了95.7%，mAP达到了86

distant1219·2018-06-24 17:19

CAM论文剖析（Learning Deep Features for Discriminative Localization）

英文原文请点这里译文请点这里文章内容剖析实验代码在这里.摘要本文主要工作1、阐述GAP如何使CNN具有卓越定位能力2、证明了所提出网络能定位出“区别性”区域，且分类效果也不差1介绍扩写摘要，展示结果图引出GAP的功能远不止正则化，更重要的是定位能力指出本文所提网络保留了定位能力且分类能力也不差1.1相关研究(研究现状)已有研究证明：CNN分类能和定位能力都很好介绍已有研究的两个主要工作&提出缺陷弱

西西L·2018-05-03 18:27

CAM论文剖析（Learning Deep Features for Discriminative Localization）

英文原文请点这里译文请点这里文章内容剖析实验代码在这里.摘要本文主要工作1、阐述GAP如何使CNN具有卓越定位能力2、证明了所提出网络能定位出“区别性”区域，且分类效果也不差1介绍扩写摘要，展示结果图引出GAP的功能远不止正则化，更重要的是定位能力指出本文所提网络保留了定位能力且分类能力也不差1.1相关研究(研究现状)已有研究证明：CNN分类能和定位能力都很好介绍已有研究的两个主要工作&提出缺陷弱

西西L·2018-05-03 18:27

[翻译]Learning Deep Features for Discriminative Localization

英文原文请点这里摘要在这项工作中，我们重新审视了《Networkinnetwork》中提出的全局平均池化层（globalaveragepooling），并阐明了它是如何通过图片标签就能让卷积神经网络具有卓越的定位能力。虽然这项技术以前被当做正则化训练的一种方法，但是我们发现它实际构建了一种通用的适用于各种任务的能定位的深度表示。尽管globalaveragepooling很简单，我们仍然能够在20

西西L·2018-05-02 16:56

Learning Deep Features for Discriminative Localization笔记

1.背景卷积神经网络里面的每一个卷积单元其实都扮演着一个个objectdetector的角色，本身就带有能够定位物体的能力。但是这种能力在利用全连接层进行classification的时候就丢失了。因此，像那些全卷积的神经网络，比如googlenet，都在避免使用全连接层，转而使用globalaveragepooling，这样的话不仅可以减少参数，防止过拟合，还可以建立featuremap到cat

行者无疆兮·2018-03-31 09:10

PyTorch Exercise: A new loss function for discriminative tagging

学习PyTorch教程，其中biLSTM-CRF中给出了Exercise，此处解决方案为：在classBiLSTM_CRF中添加成员函数neg_log_likelihood2()，使用viterbi译码的得分与goldscore的差作为loss。Itwasn’treallynecessaryforustocreateacomputationgraphwhendoingdecoding,sincew

CrazyBull2012·2018-02-27 11:39

Adversarial Discriminative Domain Adaption 阅读笔记

文章发表于CVPR2017文章利用GAN网络的思想用于cross-domain识别文章首先提到1先前的生成网络不适用于大的domainshift2先前的辨别网络施加固定的权重，没有利用GAN的loss1introduction一般而言，对于这种跨领域的任务，最简单的思想就是先训练sourcedomain，然后利用fine-tuning调整参数。但是，如果sourcedomain没有足够的label

c2a2o2·2017-11-23 21:37

Learning Deep Features for Discriminative Localization 笔记2

作者：Dr.Frankenstein链接：https://www.zhihu.com/question/67987641/answer/258570104来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。不知道用文科生的视角解读是不是意味着不能再中英混杂装逼了……anyway。本文的动机如下：曾经有人提出过一个方法叫做globalaveragepooling（GAP），

This is bill·2017-11-16 12:29

CSR-DCF视频目标跟踪论文笔记（2）——关于滤波器Learning的推导（Augmented Lagrangian方法）

AlanLukezic等出处：CVPR，2017文章链接：https://arxiv.org/abs/1611.08461补充材料：https://www.semanticscholar.org/paper/Discriminative-Co

越野者·2017-10-23 21:28

CSR-DCF视频目标跟踪论文笔记（1）——关于似然和后验概率在分割操作中的应用

AlanLukezic等出处：CVPR，2017文章链接：https://arxiv.org/abs/1611.08461补充材料：https://www.semanticscholar.org/paper/Discriminative-Co

越野者·2017-10-09 14:19

人脸识别"Disentangled Representation Learning GAN for Pose-Invariant Face Recognition"

有三个特征，1）生成器的编码-解码结构使得DR-GAN学习generative和discriminative的表示，2）通过提供到解码器的姿态编码和鉴别器的姿态估计，学到的特征表示与其他的人脸变形disentangled

cv_family_z·2017-09-06 16:31

判别式模型（discriminative model）和生成式模型（generative model）的区别

生成式模型(GenerativeModel)与判别式模型(DiscrimitiveModel)是机器学习中基础概念，在NLP和机器学习中经常会遇到这两种显著不同的模型，在学习阶段（训练阶段）和评估阶段（测试阶段）都有不同的表现，它们的区别在于：对于输入x，类别标签y：生成式模型估计它们的联合概率分布P(x,y)判别式模型估计条件概率分布P(y|x)生成式模型可以根据贝叶斯公式得到判别式模型，但反过

数据娃掘·2017-08-30 13:13

[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

centerloss系列文章笔记——人脸识别：A Discriminative Feature Learning Approach forDeep Face Recognition

人脸识别：ADiscriminativeFeatureLearningApproachforDeepFaceRecognitionYandongWen,KaipengZhang,ZhifengLi*,YuQiaoShenzhenInstitutesofAdvancedTechnology,CAS,ChinaTheChineseUniversityofHongKong,HongKong,China人

迷途中一个小书童·2017-08-27 18:20

Discriminative Correlation Filters (DCF)

一般化的跟踪问题可以分解成如下几步：1.在It帧中，在当前位置pt附近采样，训练一个滤波器。这个滤波器能计算一个小窗口采样的响应。2.在It+1帧中，在前一帧位置pt附近采样，用前述滤波器判断每个采样的响应。3.响应最强的采样作为本帧位置pt+1。DCFisalearningtechniquethatefficientlyexploitsallcyclicshiftsofthetrainingsa

dadadaplz·2017-08-18 21:54

细粒度图像识别Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classificatio

细粒度图像识别Object-PartAttentionDrivenDiscriminativeLocalizationforFine-grainedImageClassification（OPADDL）论文笔记原文：Object-PartAttentionDrivenDiscriminativeLocalizationforFine-grainedImageClassification（2017.

Cyiano·2017-05-14 21:16

细粒度图像识别Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classificatio

细粒度图像识别Object-PartAttentionDrivenDiscriminativeLocalizationforFine-grainedImageClassification（OPADDL）论文笔记原文：Object-PartAttentionDrivenDiscriminativeLocalizationforFine-grainedImageClassification（2017.

Cyiano·2017-05-14 21:16

生成式模型（generative） vs 判别式模型（discriminative）

AndrewNg,OnDiscriminativevs.Generativeclassifiers:AcomparisonoflogisticregressionandnaiveBayes无论是生成式模型还是判别式模型，都可作为分类器使用，分类器的数学表达即为：给定输入X以及分类变量Y，求P(Y|X)。判别式模型直接估算P(Y|X)，或者也可像SVM那样，估算出输入和输出之间的映射，与概率无关；判

Inside_Zhang·2017-03-04 09:29

READING NOTE: Adversarial Discriminative Domain Adaptation

TITLE:AdversarialDiscriminativeDomainAdaptationAUTHOR:EricTzeng,JudyHoffman,KateSaenko,TrevorDarrellASSOCIATION:UCBerkeley,StanfordUniversity,BostonUniversityFROM:arXiv:1702.05464CONTRIBUTIONSAnovelun

Joshua_Li_·2017-02-22 22:07

A Discriminative Feature Learning Approach for Deep Face Recognition 的源码部分分析

前一篇文章介绍了centerloss的训练过程，以及结果。本文分析一下CenterLoss的源码部分。同时这也是在caffe中添加新的一层的方法。（本文时特例添加loss层）宏观感受先来看看作者对一个刚从github上拉下来的caffe做了哪些改动。step1:修改caffe.protovimcaffe/src/caffe/proto/caffe.proto图为未修改之前LayerParamete

_小马奔腾·2017-02-15 20:00

生成对抗网络（GAN：Generative Adversarial Networks）

AdvancesinNeuralInformationProcessingSystems.2014.GAN启发自博弈论中的二人零和博弈，由[Goodfellowetal,NIPS2014]开创性地提出，包含一个生成模型（generativemodelG）和一个判别模型（discriminative

junmuzi·2017-02-05 09:23

A Discriminative Feature Learning Approach for Deep Face Recognition 原理及在caffe实验复现

本文主要讲centerloss的原理，及其创新点。然后用caffe跑自己的数据（CASIA-WebFace|MsCelebV1-Faces-Aligned）Referencepaper：ADiscriminativeFeatureLearningApproachforDeepFaceRecognitionECCV:2016github:https://github.com/ydwen/caffe-

_小马奔腾·2016-11-25 16:19

阅读A Discriminative Feature Learning Approach for Deep Face Recognition

论文链接：http://101.96.10.64/ydwen.github.io/papers/WenECCV16.pdf原作者代码链接Caffe：https://github.com/kpzhang93/caffe-faceMxNet：https://github.com/pangyupo/mxnet_center_lossWhat：对于分类任务来说，最后预测的是一个联合概率。这个概率可以由卷积

Layumi1993·2016-11-21 20:11

ECCV A Discriminative Feature Learning Approach for Deep Face Recognition

ADiscriminativeFeatureLearningApproachforDeepFaceRecognition主要思想:是一种metriclearning的思想，本文提出在原有的网络结构上加入centerloss，仅改变原有的损失层，使得网络容易训练和优化网络。本文同时使用softmaxlossandcenterloss两种监督信号，把softmaxloss看作是可训练的Separabl

小白鼠丶coding·2016-11-02 10:39

ECCV A Discriminative Feature Learning Approach for Deep Face Recognition

ADiscriminativeFeatureLearningApproachforDeepFaceRecognition主要思想:是一种metriclearning的思想，本文提出在原有的网络结构上加入centerloss，仅改变原有的损失层，使得网络容易训练和优化网络。本文同时使用softmaxlossandcenterloss两种监督信号，把softmaxloss看作是可训练的Separabl

小白鼠丶coding·2016-11-02 10:39

人脸识别 - A Discriminative Feature Learning Approach for Deep Face Recognition

ADiscriminativeFeatureLearningApproachforDeepFaceRecognitionECCV2016code:https://github.com/ydwen/caffe-face本文针对人脸识别问题，针对lossfunction提出了加入centerloss，使得学习到地深度特征更加discriminative

cv_family_z·2016-10-17 10:37

Learning Deep Features for Discriminative Localization论文笔记以及Caffe实现

首先说一下，作者是通过Caffe的MATLAB版本实现，这里使用Caffe的Python版本实现。这里先放一下效果图，可以很容易的理解文章的意思。这篇论文的主要贡献在于，可以通过热成像图的结果完成localization，并且网络本身也可以分类，作者说虽然在classification上的精度有所下降，但是效果也还是不错，在ImageNet上的top-5testerror是37.1%，和AlexN

Leo_812·2016-07-22 21:31

生成模型（Generative）和判别模型（Discriminative）

生成模型（Generative）和判别模型（Discriminative）引言最近看文章《Asurveyofappearancemodelsinvisualobjecttracking》（XiLi，ACMTIST

realkate1·2016-07-19 11:00

论文笔记 | Learning Deep Features for Discriminative Localization

作者BoleiZhou,AdityaKhosla,AgataLapedriza,AudeOliva,AntonioTorralbaBoleiZhouAbstract受到NIN的启发，将globalaveragepooling用于定位1.IntroductionGlobalaveragepoolinglayer不仅是一个regularizer，经过一点改变可以识别出discriminativereg

bea_tree·2016-07-04 23:48

判别模型(Discriminative model)和生成模型(Generative model)

在前面的章节中，我们介绍过SVM、逻辑回归，这两者都属于监督学习中的一种，即训练数据的标签是给定的，我们希望通过对训练数据进行学习，这样对于给定的新样本数据，我们可以对它的类别标签进行预测。实际上，监督学习又可以分为两类，判别模型（Discriminativemodel）和生成模型（generativemodel），前面提到的SVM和逻辑回归都属于判别模型的一种。那么判别模型和生成模型有何区别？1

Fishmemory·2016-06-19 09:58

Discriminative, Generative and Imitative Learning

1.GenerativeModel（生成模型） 1）生成模型学习联合概率分布p(x,y)；给定一个y，则可以计算（“生成”）其相应的X。 2）可通过Baye规则转换为p(y|x)，然后进行分类。p(x,y)也可用于其它目的，如可用p(x,y)产生可能的(x,y)对。 3）为了分类一个信号，要分析数据是如何生成的。它的问题是：基于我的生成假设，哪个类最有可能产生此信号。 4）把一段

MyArrow·2016-05-25 13:00

论文笔记《Harvesting Discriminative Meta Objects with Deep CNN Features for Scene Classification》

文章提出一个pipeline从场景训练集中挖掘代表性的元素（metaobject），将一幅图像用这些metaobject表示，得到了state-of-the-art的分类效果。论文来自ICCV20151Motivation假设：场景的类别与场景中的目标有关。本文借鉴BOW思想，用整个训练集提取出representativeanddiscriminativemetaobject，用category-

happyer88·2016-05-15 20:00

空间金字塔方法表示图像

本文学习自CVPR论文《Discriminative Spatial Pyramid》、《Discriminative Spatial Saliency for Image Classification

Real_Myth·2016-04-27 09:00

Online Tracking by Learning Discriminative Saliency Map with Convolutional Neural Network

《Online Tracking by Learning Discriminative Saliency Map with Convolutional Neural Network》本文提出了一个通过用

lk798362252·2016-03-22 10:00

笔记：harvesting discriminative meta objects with deep CNN features for scene classification

本文提出了一种基于CNN特征，通过分析场景中的元目标（metaobjects）进而进行场景分析的流程。这里的假设就是一个场景的类别通常与场景中包含的物体有关，场景的物体就对应所说的metaobject。要分析图片中的物体就要进行分割，然后选择有效的分割区域，再将这些区域构造整个图的特征用于分类。这个流程可以分为五个部分：在整个图片上构造regionproposal选取patch、对patch进行选

a1154761720·2016-02-18 20:00

Generative Model 与 Discriminative Model（二）

原文：http://blog.csdn.net/zouxy09/article/details/8195017一、决策函数Y=f(X)或者条件概率分布P(Y|X) 监督学习的任务就是从数据中学习一个模型（也叫分类器），应用这一模型，对给定的输入X预测相应的输出Y。这个模型的一般形式为决策函数Y=f(X)或者条件概率分布P(Y|X)。决策函数Y=f(X)：你输入一个X，它就输出一个

renyp8799·2016-01-15 15:00

Generative Model 与 Discriminative Model（一）

原文：http://blog.sina.com.cn/s/blog_6742eecd0100iqcv.html【摘要】 -生成模型(GenerativeModel)：无穷样本==》概率密度模型=产生模型==》预测 -判别模型(DiscriminativeModel)：有限样本==》判别函数=预测模型==》预测【简介】简单的说，假设o是观察值，q是模型。如果对P(o|q)建模，就是Gen

renyp8799·2016-01-15 15:00

机器学习笔记：Generative Learning

Andrew Ng 先给出了Discriminative Learning（判别学习算法）的概念，Logistic Regression就是典型的Discriminative Learning，它将最大化

·2015-11-13 09:09

推荐频道

discriminative

小白仍然努力学习之----------GAN基础知识

ECCV2018 | 细粒度分类：多注意力多类别约束 Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition

2017CVPR--Adversarial Discriminative Domain Adaptation 对抗判别域适应

生成模型与辨别模型（Generative vs discriminative model）

[ICCV 2017笔记] Learning Discriminative Latent Attributes for Zero-Shot Classification

Semantic Instance Segmentation with a Discriminative Loss Function【论文详解】

[CVPR 2018笔记] Discriminative Learning of Latent Features for Zero-Shot Recognition

CAM论文笔记--Learning Deep Features for Discriminative Localization

CAM论文笔记--Learning Deep Features for Discriminative Localization

深度学习之生成对抗网络（Gan）

【论文笔记】DEEP JOINT DISCRIMINATIVE LEARNING FOR VEHICLE REID（车辆重识别的深度联合判别学习）

[论文阅读]Learning Discriminative Features with Multiple Granularityfor Person Re-Identification

CAM论文剖析（Learning Deep Features for Discriminative Localization）

CAM论文剖析（Learning Deep Features for Discriminative Localization）

[翻译]Learning Deep Features for Discriminative Localization

Learning Deep Features for Discriminative Localization笔记

PyTorch Exercise: A new loss function for discriminative tagging

Adversarial Discriminative Domain Adaption 阅读笔记

Learning Deep Features for Discriminative Localization 笔记2

CSR-DCF视频目标跟踪论文笔记（2）——关于滤波器Learning的推导（Augmented Lagrangian方法）

CSR-DCF视频目标跟踪论文笔记（1）——关于似然和后验概率在分割操作中的应用

人脸识别"Disentangled Representation Learning GAN for Pose-Invariant Face Recognition"

判别式模型（discriminative model） 和生成式模型（generative model）的区别

[cvpr2017]Adversarial Discriminative Domain Adaptation

[cvpr2017]Adversarial Discriminative Domain Adaptation

centerloss系列文章笔记——人脸识别：A Discriminative Feature Learning Approach forDeep Face Recognition

Discriminative Correlation Filters (DCF)

细粒度图像识别Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classificatio

细粒度图像识别Object-Part Attention Driven Discriminative Localization for Fine-grained Image Classificatio

生成式模型（generative） vs 判别式模型（discriminative）

READING NOTE: Adversarial Discriminative Domain Adaptation

A Discriminative Feature Learning Approach for Deep Face Recognition 的源码部分分析

生成对抗网络（GAN：Generative Adversarial Networks）

A Discriminative Feature Learning Approach for Deep Face Recognition 原理及在caffe实验复现

阅读A Discriminative Feature Learning Approach for Deep Face Recognition

ECCV A Discriminative Feature Learning Approach for Deep Face Recognition

ECCV A Discriminative Feature Learning Approach for Deep Face Recognition

人脸识别 - A Discriminative Feature Learning Approach for Deep Face Recognition

Learning Deep Features for Discriminative Localization论文笔记以及Caffe实现

生成模型（Generative）和判别模型（Discriminative）

论文笔记 | Learning Deep Features for Discriminative Localization

判别模型(Discriminative model)和生成模型(Generative model)

Discriminative, Generative and Imitative Learning

论文笔记《Harvesting Discriminative Meta Objects with Deep CNN Features for Scene Classification》

空间金字塔方法表示图像

Online Tracking by Learning Discriminative Saliency Map with Convolutional Neural Network

笔记：harvesting discriminative meta objects with deep CNN features for scene classification

Generative Model 与 Discriminative Model（二）

Generative Model 与 Discriminative Model（一）

机器学习笔记：Generative Learning

判别式模型（discriminative model）和生成式模型（generative model）的区别