选自morning paper 机器之心编译 参与：黄玉胜、黄小天 本文是一篇很好的综述论文：结果很容易理解，也让人有些惊讶，但其意指又会让人思考良久。 对于文中的问题，作者是这样回答的： 如何区分泛化能力好的与差的神经网络？问题答案是泛化能力好的神经网络不仅有助于提升网络解释性，而且还可以带来更有规律、更可靠的模型架构设计。 所谓的「泛化能力好」，作者对此做出的简单解释是「那些在训练集上表现好的网络在测试集上也有良好的表现？」（与迁移学习不同的是，这涉及将训练过的网络应用于相关而又不相同的问题中）。如果你
原文地址：https://blog.keras.io/how-convolutional-neural-networks-see-the-world.html
通过 1989 年 LeCun 处理网格状拓扑数据（图像和时间系列数据）的研究，CNN 首次受到关注。CNN 被视为理解图像内容的最好技术之一，并且在图像识别、分割、检测和检索相关任务上表现出了当前最佳性能。CNN 的成功引起了学界外的注意。在产业界，如谷歌、微软、AT&T、NEC 和 Facebook 这样的公司都设立了研究团队来探索 CNN 的新架构。目前，图像处理竞赛中的大多数领跑者都会采用基于深度 CNN 的模型。
最近，我已经阅读了很多与计算机视觉相关的资料并做了大量实验，这里介绍了在该领域学习和使用过程中有意思的内容。
本文提出了一种用于图像分类的深度卷积神经网络模型，该模型使用紧凑的图像表示，可以有效地识别和跟踪图像中的对象。该模型使用一个轻量级的编码器来提取图像的局部特征，并使用一个分离的解码器来生成图像的表示。解码器由两个并行的子解码器组成，一个用于面部识别，另一个用于身体部位检测。实验结果表明，该模型在面部识别和身体部位检测任务上均取得了出色的性能，比其他最先进的算法更准确，同时比其他模型更高效。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
