Резюме (Вероятностный метод для адаптивного времени вычислений в нейронных сетях), страница 5
Описание файла
Файл "Резюме" внутри архива находится в папке "Вероятностный метод для адаптивного времени вычислений в нейронных сетях". PDF-файл из архива "Вероятностный метод для адаптивного времени вычислений в нейронных сетях", который расположен в категории "". Всё это находится в предмете "технические науки" из Аспирантура и докторантура, которые можно найти в файловом архиве НИУ ВШЭ. Не смотря на прямую связь этого архива с НИУ ВШЭ, его также можно найти и в других разделах. , а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата технических наук.
Просмотр PDF-файла онлайн
Текст 5 страницы из PDF
35, no. 8. — P. 1798–1828.2.Lowe D. G. Object recognition from local scale-invariant features // Conferenceon Computer Vision and Pattern Recognition. — 1999. — Vol. 2. — P. 1150–1157.3.Dalal N., Triggs B. Histograms of oriented gradients for human detection // Conference on Computer Vision and Pattern Recognition. — 2005. — Vol. 1. —P.
886–893.4.Murty K. S. R., Yegnanarayana B. Combining evidence from residual phase andMFCC features for speaker recognition // IEEE signal processing letters. —2006. — Vol. 13, no. 1. — P. 52–55.5.Furui S. 50 years of progress in speech and speaker recognition research // ECTITransactions on Computer and Information Technology (ECTI-CIT).
— 2005. —Vol. 1, no. 2. — P. 64–74.6.ImageNet Large Scale Visual Recognition Challenge 2016 (ILSVRC2016) Results / http : / / image - net . org / challenges / LSVRC / 2016 /results. — 2016.7.LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. — 2015. — Vol. 521,no. 7553. — P. 436–444.8.LeCun Y., Boser B., Denker J. S., Henderson D., Howard R. E., Hubbard W.,Jackel L. D. Backpropagation applied to handwritten zip code recognition // Neural computation.
— 1989. — Vol. 1, no. 4. — P. 541–551.9.Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. — 1997. — Vol. 9, no. 8. — P. 1735–1780.10.Shazeer N., Mirhoseini A., Maziarz K., Davis A., Le Q., Hinton G., Dean J. Outrageously large neural networks: The sparsely-gated mixture-of-experts layer //International Conference on Learning Representations. — 2017.11. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. — 2012.12.He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition //Conference on Computer Vision and Pattern Recognition.
— 2016.13.Yosinski J., Clune J., Nguyen A., Fuchs T., Lipson H. Understanding neural networks through deep visualization // ICML Deep Learning Workshop. — 2015.14.Nguyen A., Dosovitskiy A., Yosinski J., Brox T., Clune J. Synthesizing the preferred inputs for neurons in neural networks via deep generator networks // Advances in Neural Information Processing Systems. — 2016. — P. 3387–3395.2015.Rensink R.
A. The dynamic representation of scenes // Visual cognition. —2000. — Vol. 7, no. 1–3.16.Larochelle H., Hinton G. E. Learning to combine foveal glimpses with a thirdorder Boltzmann machine // Advances in Neural Information Processing Systems.
— 2010.17.Mnih V., Heess N., Graves A., [et al.]. Recurrent models of visual attention //Advances in Neural Information Processing Systems. — 2014.18.Ba J., Mnih V., Kavukcuoglu K. Multiple object recognition with visual attention // International Conference on Learning Representations.
— 2015.19.Jaderberg M., Simonyan K., Zisserman A., Kavukcuoglu K. Spatial transformernetworks // Advances in Neural Information Processing Systems. — 2015.20.Xu K., Ba J., Kiros R., Cho K., Courville A., Salakhutdinov R., Zemel R. S., Bengio Y. Show, attend and tell: Neural image caption generation with visual attention // International Conference on Machine Learning. — 2015.21.Sharma S., Kiros R., Salakhutdinov R. Action Recognition using Visual Attention // International Conference on Learning Representations Workshop. —2016.22.Bengio E., Bacon P.-L., Pineau J., Precup D.
Conditional Computation in NeuralNetworks for faster models // International Conference on Learning Representations Workshop. — 2016.23.Williams R. J. Simple statistical gradient-following algorithms for connectionistreinforcement learning // Machine learning.
— 1992.24.Graves A. Adaptive Computation Time for Recurrent Neural Networks //arXiv. — 2016.25.Graham B. Fractional Max-Pooling // arXiv. — 2014.26.Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards real-time object detection with region proposal networks // Advances in Neural Information ProcessingSystems. — 2015.27.Staines J., Barber D. Variational Optimization // arXiv. — 2012.28.Staines J., Barber D. Optimization by Variational Bounding // ESANN. — 2013.21.
