求助关于神经网络论文

人工智能神经网络论文
关于人工神经网络,到目前为止还没有一个得到广泛认可的统一定义,综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性,其具有很强的并行结构以及并行处理的能力,在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性,对...

【目标检测】 论文推荐——基于深度神经网络的目标检测
在这篇论文中提出了一个显著性启发的神经网络检测模型,它预测了一组与类无关的边界框,每个框有一个分数,对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例,并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上...

卷积神经网络相关论文怎么创新?
卷积神经网络（CNN）是深度学习领域的重要研究方向，其相关论文的创新可以从以下几个方面进行：1.网络结构创新：这是最直接的创新方式，例如设计新的卷积层、池化层、激活函数等。例如，Inception网络就通过并行的多个卷积核来提高计算效率和模型性能。2.训练策略创新：例如，使用新的优化算法、正则化方法、...

二值神经网络(BNN)若干篇论文总结
寒假期间，我阅读了几篇关于二值神经网络(BNN)的研究论文，现简要总结如下：1. FTBNN: 重新思考1-bit CNN的非线性并超越传统BNN通过移除ReLU等激活函数，将权重和除首尾两层外的其他层量化为±1。然而，作者发现BNN的非线性主要依赖于activation的二值化过程。当减少量化误差时，网络的非线性减弱，影响...

论文解读:深度监督网络(Deeply-Supervised Nets)
深度监督网络（Deeply-Supervised Nets）是一种神经网络结构，其核心在于引入多层监督。在深度监督网络中，每个隐藏层都参与到损失函数的计算中，而不是仅仅在最终输出层。这种设计使得网络在学习过程中，每一层都能得到反馈，从而优化其学习效果。深度监督网络的损失函数一般可以表示为总损失和伴随损失两部分...

XNOR-Net论文解读
论文《XNOR-Net: ImageNet Classification Using Binary Convolutional Neural Networks》提出了两种高效近似标准卷积神经网络的方法：Binary-Weight-Networks和XNOR-Networks。Binary-Weight-Networks通过将卷积核权重二值化，节省了32倍内存；而XNOR-Networks进一步二值化权重和输入，内存节省32x，运算速度提升58x...

Adaptively Connected Neural Networks论文笔记
这篇论文提出了一种新颖的自适应连接神经网络（ACNet），旨在改进传统的卷积神经网络（CNN）和多层感知机（MLP）等模型。ACNet通过自适应地决定特征节点之间的连接状态，灵活地调整内部特征表示中的全局和局部推理能力。它不仅能够处理非欧几里得数据，还能够在ImageNet-1k数据集上实现最先进的性能，超越MLP和...

Spiking-YOLO:脉冲神经网络在目标检测上的首次尝试
论文：Spiking-YOLO: Spiking Neural Network for Energy-Efficient Object Detection 脉冲神经网络(Spiking neural network, SNN)使用脉冲序列进行神经元间的信息传递，提供稀疏但强大的计算能力。与卷积神经网络(CNN)使用具体值进行信息传递不同，SNN通过脉冲序列中的每个脉冲发射时间进行信息的传递，具备卓越的...

王林山主要论文
这些论文主要探讨了神经网络的稳定性、行为及应用，涵盖了反应扩散神经网络、时滞神经网络、动力系统和控制系统的多个方面。以下是对王林山部分论文的概述：1. 全球指数稳定性：与徐道义合作，研究了时变延迟的Hopfield反应扩散神经网络的全球指数稳定性，这是神经网络稳定性分析的重要进展。 2. 时滞神经...

经典论文之LeNet
LeNet，作为卷积神经网络（CNN）的奠基之作，源于《Gradient-Based Learning Applied to Document Recognition》这篇论文。此论文通过多层网络的梯度下降算法，从大量样本中学习复杂、高维、非线性的映射关系，特别适用于图像识别任务。传统模式识别模型通常通过手工设计特征提取器从输入数据中提取相关信息，同时...