resnet 文章最新資訊

歷史十大高被引論文

微軟研究人員在2015年人工智能會(huì)議上提交的一篇論文《用于圖像識(shí)別的深度殘差學(xué)習(xí)》，迅速攀升至歷史百大榜單第5名（WoS、Dimensions和Scopus數(shù)據(jù)庫(kù)排名中位數(shù)分析）?！队糜趫D像識(shí)別的深度殘差學(xué)習(xí)》已經(jīng)成為21世紀(jì)以來(lái)被引用次數(shù)最多的論文。該論文的作者提出了深度殘差學(xué)習(xí)（ResNet）架構(gòu)，突破性地解決了深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的信號(hào)衰減問(wèn)題，使網(wǎng)絡(luò)層數(shù)達(dá)到前所未有的深度，并在2015年贏得圖像識(shí)別競(jìng)賽。ResNet不僅成為深度學(xué)習(xí)發(fā)展的重要里程碑，也為后續(xù)的AI突破 —— 如AlphaGo、Alp
關(guān)鍵字：圖像識(shí)別 ResNet AI ChatGPT

摘要：行人序列重識(shí)別是對(duì)同一個(gè)人進(jìn)行跨攝像頭識(shí)別，要實(shí)現(xiàn)跨攝像頭行人精確識(shí)別必須充分利用行人序列的時(shí)空線索。為了解決這個(gè)問(wèn)題，本文提出了一種基于全局引導(dǎo)的行人序列重識(shí)別，首先利用ResNet-50提取行人序列特征；然后用全局引導(dǎo)網(wǎng)絡(luò)將行人序列特征分解為全局特征和局部特征，并提取行人序列全局特征和局部特征的時(shí)間相關(guān)性；最后對(duì)行人序列特征PCA降維后用JS散度計(jì)算相似度。實(shí)驗(yàn)結(jié)果表明本文算法在跨攝像頭行人序列重識(shí)別中識(shí)不僅識(shí)別率高，而且效率高。關(guān)鍵詞：行人序列重識(shí)別；ResNet-50；全局引
關(guān)鍵字： 202209 行人序列重識(shí)別 ResNet-50 全局引導(dǎo) PCA

共2條 1/1 1

您好，目前還沒(méi)有人創(chuàng)建詞條resnet!
歡迎您創(chuàng)建該詞條，闡述對(duì)resnet的理解，并與今后在此搜索resnet的朋友們分享。創(chuàng)建詞條