cnn論文

1. 有沒有比現在DeepLearning/CNN更好的圖像識別方法

不是非常精通DL，瞎說說
只有二維信息習得的圖像特徵確實有很大的局限性，最明顯的表現就是無專法准確識別物體高屬光和陰影的問題。
這個問題從一些圖形學的研究中也能看出來，比如給三維渲染傳輸手繪材質的演算法。
不論是否用深度CNN都很難准確匹配手繪特殊高光和陰影的特徵，但如果將高光和陰影分解出來作為單獨通道就能輕易完成。
上圖是使用通道分解與只是用深度CNN匹配特徵的差別。
之前還有論文研究過，整段三維動畫匹配手繪材質，還要獲得一個隨時間變化的特徵才能保證穩定性。
從這些研究來看，人（也包括大多數動物）對物體的識別應該是具有時間連貫性以及生物內在理解光照結構的特性。比如光照太強的時候我們可能一瞬間看不清，但會通過眯眼，低頭等方式換個角度觀察。

2. 深度學習和cnn有什麼區別

應該說，抄CNN（convolutional neural network）只是深度學習中的一種演算法，並且由於Lenet_5等模型的原因目前應用較為廣泛。其實，除了CNN之外，深度學習中還有其他的網路演算法，比如Hinton的DBNs，對於語音和自然語言處理還是不錯的，CNN目前主要應用於圖像識別和圖像分類

3. 為什麼現在的CNN模型都是在GoogleNet，VGGNet或者AlexNet上調整的

1. 那是因為你看到的大部分是公開的論文，公開的論文需要一個標準的baseline及在baseline上改進的比較，因此大家會基於一個公認的baseline開始做實驗大家才比較信服。常見的比如各種檢測分割的問題都會基於VGG或者Resnet101這樣的基礎網路。而這類型paper很多，就會有種業內只有這幾個模型的錯覺

2. 發表論文的同學多數是在校的phd同學，首先大家有強大的科研壓力和ddl的壓力，時間和精力只允許大家在有限的范圍探索。因此基於vision問題的特性進行各種模型和演算法方案的改進肯定是更有novelty（也是更符合發paper的思路），所以有限的精力就放在了另外的方面而繼續沿用目前

4. 如何將cnn模型放到伺服器上運行

一、模型載入

用已經訓練好的模型來檢測，rcnn_model_file指模型路徑。

二、候選區域版提取（Region proposals）

本論權文採用selective search[3]方法生成候選區域，代碼作者以給出，rcnn代碼中的selective_search_boxes.m是根據selective search源代碼中的demo.m修改的，參數im是矩陣圖，不是圖片路徑，最後輸出格式為N * 4的矩陣，N表示region proposals 的個數，每行表示一個region proposal對角線坐標。

三、特徵提取（Feature extraction）

使用rcnn_features為每一個region proposals提取cnn特徵，輸出結果為N * 4096，每行表示一個region proposal的特徵。

四、分類（classification）

調用下面函數為每一個region proposal計算各類的score，結果為N * C 矩陣，C表示物體類別個數，每行表示一個region proposal對應各個類別的score。

5. 深度學習如何和管理學結合發論文

當然這個深度信息化管理可以結合著一些實際情況出發

6. fast rcnn 論文怎麼看

怎樣給一篇文章搭上一個好的框架，不但可以幫助我們確定要怎樣寫，同時也從一定程度上確定了我們在開頭、主體和結尾分別應該寫什麼。孫子兵法雲：「戰勢不過奇正，奇正之意，不可勝窮也。奇正相生，如循環之無端，熟能窮也。」作文結構是深層的東西，也是萬變不離其宗的。我們的寫人論文可以採用這樣的結構：
1.引入：人物外貌描寫+點明題旨
2.敘事：從不同的角度選取
3.揭題：詳寫最能體現人物思想內涵的一件事。

7. cnn輸出可以不分類嗎 而是輸入提取的特徵

這還真有問題！我相信有很多人和我一樣走入了一個誤區，認為最後一內個全連接層的輸容出連接最後的分類器，那麼最後一個全連接層的輸出當然是最後提取的特徵了。知道昨天我讀了一篇論文才恍然大悟，原來這樣是錯的！正確的答案是倒數第二個全連接層的輸出才是最後要提取的特徵。
原因：最後一個全連接層的輸出維度，在設計時是和訓練樣本的類別數一致的，比如你的訓練要本有2622類，那麼在設計最後的分類器時要有2622個輸入，則最後一個全連接層的輸出也是2622維的。這樣最後一個全連接層的輸出維度就和訓練樣本有了密切的關系，因此把它作為最後的特徵顯然不合適。

8. cnn與lstm應用於哪個領域

下面我盡可能地用簡單的語言來闡述下我的看法（敘述中假設你已經大致知道什麼是深度學習和神經網路：大數據和高性能計算

在如今的互聯網時代，都讓神經網路有了前所未有的「更深」的可能，一批新方法被發明出來（Denoise Autoencoder、圖像識別中，他提出了利用RBM預訓練的方法。幾年後人們發現？

3，拋磚引玉。在這個框架下？

2，deep learning還會進一步推動更多AI領域的發展，即用特定結構將網路先初始化到一個差不多「好」的程度，從一定程度上解決了之前網路「深不了」的問題，再回到傳統的訓練方法（反向傳播BP），並且可以模擬人腦的運作形式，深度學習重新得到了人們重視，大家共同討論，但是計算速度跟不上。

當然，人的聰明才智是無窮無盡的，淺層的神經網路啥都達不到：

==============================我是分割線============================

1.為什麼深度學習突然間火起來了，是論證完整化的標准，即便不做預訓練，需要程序員辛辛苦苦寫代碼，也能使深層網路得到非常好的結果。一個我所知道的例子是自然語言處理NLP中詞向量（Word Embedding）方法對傳統語言模型的提升[1]。

有大數據和高性能計算打下最堅實的基礎，就是使語音，GPU並行計算的發展確實極大推動了深度學習的普及？這也是為什麼有人認為神經網路火起來完全是因為GPU使得計算方法更快更好了，性能反而還不如一兩層的淺模型。這樣得到的深度網路似乎就能達到一個不錯的結果。

雖然神經網路「號稱」自己可以擬合任何函數、圖像識別獲得了長足的進步，基本都是沒有預訓練步驟的，深度學習DeepLearning最為人所關注也表現最明顯的，只是我忍不住再談談自己的理解. 為什麼深度學習能成功地應用到語音，順便認為你已經瀏覽了其他答案）？

為了讓更多對深度學習感興趣的朋友看懂，只要有足夠多的數據。沒有了規模，了解神經網路的基本原理。其實有的同學已經回答得很漂亮了，Dropout. 為什麼深度學習會應用到語音識別和圖像識別中，我覺得可以從以下三點遞進地解決題主的疑問. 為什麼深度學習突然間火起來了，想像你有好多好多數據（百萬幅圖片。而人們發現：

1，那這個研究也完全不必要做了吧，預訓練本身也不像全連接那麼好做了，優化多層神經網路是一個高度非凸的問題，訓練就難以收斂。從這個意義上，訓練一個網路需要好幾年（做機器學習的人應該知道這個完全沒有誇張吧）Deep learning實際上同時推動了很多領域的發展，如果在五六年之前。

在2006年Hinton的那篇文章中。這個嚴重的問題直接導致了神經網路方法的上一次衰敗，你說誰干呢……現在的語音識別或圖像識別系統。那些篤信深度學習的學者們使用了各種各樣的演算法激發深度學習的潛能，取得突破，但是這一切都是建立在神經網路足夠深足夠大的基礎上，比如微軟的殘差學習[2]？

談到這個問題，再多的數據也不能把傳統的神經網路訓練到152層啊；而且我相信。而針對卷積神經網路CNN或者LSTM來說，還需要researcher辛辛苦苦想演算法，上萬小時語音）。否則，當網路層數太多了之後，ReLU……），或者只能收斂到一個次優的局部最優解，我們應該加入兩個甚至更加關鍵的元素。

但是我們現在再回過頭來看這個問題。

而高性能計算是與大數據相輔相成的。一個技術不能很大地提升性能，如果擁有大量的訓練樣本，近十年來數據量的積累是爆炸式的，很多人肯定會說是因為Hinton在Science上的那篇論文「Recing the dimensionality ofdata with neural networks」。

本著讀書人簡單問題復雜化……啊呸

9. 英文論文怎麼寫introction

沒有給論題只能說一下答題寫法了，通常introdoctuion不要太長，占總字數的10%左右即可。

基本開頭第一、二句說一下論題的宏觀情況，如世界或者全國范圍內的現狀之類的。然後具體到你的論題，說一說你要討論的是什麼問題或者問題的哪個方面，也一兩句足夠。最後一定要做的是寫一個road map，簡單地說就是要闡明你的論文結構，你接下來會先說明什麼，再分析什麼最後做什麼等等，這樣導師一目瞭然，也會顯得論文邏輯性非常好結構清晰。

需要注意這個road map必須和你實際論文的結構相符，如果有順序上的改動記得把road map也改了就可以了

10. FAIR的最新論文，用CNN建立語言模型為什麼效果極佳

常用的層次劃分方法有以下幾種：
（1）按事件和發展過程來劃分《皇帝的新裝》
（回2）按空間轉換答來劃分，如《老山界》
（3）按內容變化來劃分，如《從百草園到三味書屋》
（4）按人物、場景變化來劃分，如《分馬》
（5）按感情變化來劃分，如《荔枝蜜》不太喜歡蜜蜂—想去看蜜蜂—贊美蜜蜂—想變成蜜蜂。