cnn论文

1. 有没有比现在DeepLearning/CNN更好的图像识别方法

不是非常精通DL，瞎说说
只有二维信息习得的图像特征确实有很大的局限性，最明显的表现就是无专法准确识别物体高属光和阴影的问题。
这个问题从一些图形学的研究中也能看出来，比如给三维渲染传输手绘材质的算法。
不论是否用深度CNN都很难准确匹配手绘特殊高光和阴影的特征，但如果将高光和阴影分解出来作为单独通道就能轻易完成。
上图是使用通道分解与只是用深度CNN匹配特征的差别。
之前还有论文研究过，整段三维动画匹配手绘材质，还要获得一个随时间变化的特征才能保证稳定性。
从这些研究来看，人（也包括大多数动物）对物体的识别应该是具有时间连贯性以及生物内在理解光照结构的特性。比如光照太强的时候我们可能一瞬间看不清，但会通过眯眼，低头等方式换个角度观察。

2. 深度学习和cnn有什么区别

应该说，抄CNN（convolutional neural network）只是深度学习中的一种算法，并且由于Lenet_5等模型的原因目前应用较为广泛。其实，除了CNN之外，深度学习中还有其他的网络算法，比如Hinton的DBNs，对于语音和自然语言处理还是不错的，CNN目前主要应用于图像识别和图像分类

3. 为什么现在的CNN模型都是在GoogleNet，VGGNet或者AlexNet上调整的

1. 那是因为你看到的大部分是公开的论文，公开的论文需要一个标准的baseline及在baseline上改进的比较，因此大家会基于一个公认的baseline开始做实验大家才比较信服。常见的比如各种检测分割的问题都会基于VGG或者Resnet101这样的基础网络。而这类型paper很多，就会有种业内只有这几个模型的错觉

2. 发表论文的同学多数是在校的phd同学，首先大家有强大的科研压力和ddl的压力，时间和精力只允许大家在有限的范围探索。因此基于vision问题的特性进行各种模型和算法方案的改进肯定是更有novelty（也是更符合发paper的思路），所以有限的精力就放在了另外的方面而继续沿用目前

4. 如何将cnn模型放到服务器上运行

一、模型加载

用已经训练好的模型来检测，rcnn_model_file指模型路径。

二、候选区域版提取（Region proposals）

本论权文采用selective search[3]方法生成候选区域，代码作者以给出，rcnn代码中的selective_search_boxes.m是根据selective search源代码中的demo.m修改的，参数im是矩阵图，不是图片路径，最后输出格式为N * 4的矩阵，N表示region proposals 的个数，每行表示一个region proposal对角线坐标。

三、特征提取（Feature extraction）

使用rcnn_features为每一个region proposals提取cnn特征，输出结果为N * 4096，每行表示一个region proposal的特征。

四、分类（classification）

调用下面函数为每一个region proposal计算各类的score，结果为N * C 矩阵，C表示物体类别个数，每行表示一个region proposal对应各个类别的score。

5. 深度学习如何和管理学结合发论文

当然这个深度信息化管理可以结合着一些实际情况出发

6. fast rcnn 论文怎么看

怎样给一篇文章搭上一个好的框架，不但可以帮助我们确定要怎样写，同时也从一定程度上确定了我们在开头、主体和结尾分别应该写什么。孙子兵法云：“战势不过奇正，奇正之意，不可胜穷也。奇正相生，如循环之无端，熟能穷也。”作文结构是深层的东西，也是万变不离其宗的。我们的写人论文可以采用这样的结构：
1.引入：人物外貌描写+点明题旨
2.叙事：从不同的角度选取
3.揭题：详写最能体现人物思想内涵的一件事。

7. cnn输出可以不分类吗 而是输入提取的特征

这还真有问题！我相信有很多人和我一样走入了一个误区，认为最后一内个全连接层的输容出连接最后的分类器，那么最后一个全连接层的输出当然是最后提取的特征了。知道昨天我读了一篇论文才恍然大悟，原来这样是错的！正确的答案是倒数第二个全连接层的输出才是最后要提取的特征。
原因：最后一个全连接层的输出维度，在设计时是和训练样本的类别数一致的，比如你的训练要本有2622类，那么在设计最后的分类器时要有2622个输入，则最后一个全连接层的输出也是2622维的。这样最后一个全连接层的输出维度就和训练样本有了密切的关系，因此把它作为最后的特征显然不合适。

8. cnn与lstm应用于哪个领域

下面我尽可能地用简单的语言来阐述下我的看法（叙述中假设你已经大致知道什么是深度学习和神经网络：大数据和高性能计算

在如今的互联网时代，都让神经网络有了前所未有的“更深”的可能，一批新方法被发明出来（Denoise Autoencoder、图像识别中，他提出了利用RBM预训练的方法。几年后人们发现？

3，抛砖引玉。在这个框架下？

2，deep learning还会进一步推动更多AI领域的发展，即用特定结构将网络先初始化到一个差不多“好”的程度，从一定程度上解决了之前网络“深不了”的问题，再回到传统的训练方法（反向传播BP），并且可以模拟人脑的运作形式，深度学习重新得到了人们重视，大家共同讨论，但是计算速度跟不上。

当然，人的聪明才智是无穷无尽的，浅层的神经网络啥都达不到：

==============================我是分割线============================

1.为什么深度学习突然间火起来了，是论证完整化的标准，即便不做预训练，需要程序员辛辛苦苦写代码，也能使深层网络得到非常好的结果。一个我所知道的例子是自然语言处理NLP中词向量（Word Embedding）方法对传统语言模型的提升[1]。

有大数据和高性能计算打下最坚实的基础，就是使语音，GPU并行计算的发展确实极大推动了深度学习的普及？这也是为什么有人认为神经网络火起来完全是因为GPU使得计算方法更快更好了，性能反而还不如一两层的浅模型。这样得到的深度网络似乎就能达到一个不错的结果。

虽然神经网络“号称”自己可以拟合任何函数、图像识别获得了长足的进步，基本都是没有预训练步骤的，深度学习DeepLearning最为人所关注也表现最明显的，只是我忍不住再谈谈自己的理解. 为什么深度学习能成功地应用到语音，顺便认为你已经浏览了其他答案）？

为了让更多对深度学习感兴趣的朋友看懂，只要有足够多的数据。没有了规模，了解神经网络的基本原理。其实有的同学已经回答得很漂亮了，Dropout. 为什么深度学习会应用到语音识别和图像识别中，我觉得可以从以下三点递进地解决题主的疑问. 为什么深度学习突然间火起来了，想象你有好多好多数据（百万幅图片。而人们发现：

1，那这个研究也完全不必要做了吧，预训练本身也不像全连接那么好做了，优化多层神经网络是一个高度非凸的问题，训练就难以收敛。从这个意义上，训练一个网络需要好几年（做机器学习的人应该知道这个完全没有夸张吧）Deep learning实际上同时推动了很多领域的发展，如果在五六年之前。

在2006年Hinton的那篇文章中。这个严重的问题直接导致了神经网络方法的上一次衰败，你说谁干呢……现在的语音识别或图像识别系统。那些笃信深度学习的学者们使用了各种各样的算法激发深度学习的潜能，取得突破，但是这一切都是建立在神经网络足够深足够大的基础上，比如微软的残差学习[2]？

谈到这个问题，再多的数据也不能把传统的神经网络训练到152层啊；而且我相信。而针对卷积神经网络CNN或者LSTM来说，还需要researcher辛辛苦苦想算法，上万小时语音）。否则，当网络层数太多了之后，ReLU……），或者只能收敛到一个次优的局部最优解，我们应该加入两个甚至更加关键的元素。

但是我们现在再回过头来看这个问题。

而高性能计算是与大数据相辅相成的。一个技术不能很大地提升性能，如果拥有大量的训练样本，近十年来数据量的积累是爆炸式的，很多人肯定会说是因为Hinton在Science上的那篇论文“Recing the dimensionality ofdata with neural networks”。

本着读书人简单问题复杂化……啊呸

9. 英文论文怎么写introction

没有给论题只能说一下答题写法了，通常introdoctuion不要太长，占总字数的10%左右即可。

基本开头第一、二句说一下论题的宏观情况，如世界或者全国范围内的现状之类的。然后具体到你的论题，说一说你要讨论的是什么问题或者问题的哪个方面，也一两句足够。最后一定要做的是写一个road map，简单地说就是要阐明你的论文结构，你接下来会先说明什么，再分析什么最后做什么等等，这样导师一目了然，也会显得论文逻辑性非常好结构清晰。

需要注意这个road map必须和你实际论文的结构相符，如果有顺序上的改动记得把road map也改了就可以了

10. FAIR的最新论文，用CNN建立语言模型为什么效果极佳

常用的层次划分方法有以下几种：
（1）按事件和发展过程来划分《皇帝的新装》
（回2）按空间转换答来划分，如《老山界》
（3）按内容变化来划分，如《从百草园到三味书屋》
（4）按人物、场景变化来划分，如《分马》
（5）按感情变化来划分，如《荔枝蜜》不太喜欢蜜蜂—想去看蜜蜂—赞美蜜蜂—想变成蜜蜂。