图像度矩阵描述的基础上，通过深度卷积网络得到特征向量；最后，根据得到的特征向量进行K近邻（KNN）分类。在ILSVRC2014数据库上进行了验证实验，实验结果表明，所提出的模型具有较高的正确率和较少的迭代次数。
2018-12-24 16:40
，但我们发现它实际上建立了一个通用的可本地化的深层表示，从而暴露出cnn对图像的内隐注意。尽管全球平均池明显简单，但我们能够在ILSVRC 2014上实现37.1%的目标定位前5名错误，而无需对任何边界框进行培训注释。我们在各种实验中证明，我
2020-07-21 08:00
算法的推理速度，并通过视频运动自适应推理策略充分利用前后帧视频之间目标的关联性，降低深度学习算法的运行频率，进一步提高目标检测速度。在 ILSVRC数据集上的实验结果表明，该算法可以在 NVIDIA TX2嵌入式平上实现28 frame/s的视频目标检测，
2021-05-28 14:05
16.4%的显著优势问鼎ILSVRC的冠军，重新燃起了人们对于深度学习研究的热情。它第一次采用了relu，dropout，GPU加速等技巧，参数量为6000万，模型大小240M左右。其网络结构如下
2018-06-07 17:26
