细节中的魔鬼回归：深入探究卷积网络
计算机视觉与模式识别
2014-11-06 v4
摘要
最新一代的卷积神经网络 (CNN) 在图像识别和物体检测的挑战性基准测试中取得了令人印象深刻的结果，显著提高了社区对这些方法的兴趣。然而，不同的 CNN 方法之间以及它们与之前的最先进浅层表示（如视觉词袋和改进的 Fisher 向量）相比如何，仍然不清楚。本文对这些新技术进行了严格的评估，探索了不同的深度架构并在共同基础上进行比较，识别并披露了重要的实现细节。我们确定了基于 CNN 的表示的几个有用属性，包括可以显著降低 CNN 输出层的维度而不会对性能产生不利影响的事实。我们还确定了可以成功共享的深度和浅层方法的方面。特别是，我们表明通常应用于基于 CNN 方法的数据增强技术也可以应用于浅层方法，并产生类似的性能提升。用于复现论文中实验的源代码和模型已公开提供。
引用
@article{arxiv.1405.3531,
title = {Return of the Devil in the Details: Delving Deep into Convolutional Nets},
author = {Ken Chatfield and Karen Simonyan and Andrea Vedaldi and Andrew Zisserman},
journal= {arXiv preprint arXiv:1405.3531},
year = {2014}
}
备注
Published in proceedings of BMVC 2014