Autores:
(1) Hyeongjun Kwon, Universidade Yonsei;
(2) Jinhyun Jang, Universidade Yonsei;
(3) Jin Kim, Universidade Yonsei;
(4) Kwonyoung Kim, Universidade Yonsei;
(5) Kwanghoon Sohn, Universidade Yonsei e Instituto de Ciência e Tecnologia da Coréia (KIST).
Tabela de links
Resumo e 1 Introdução
2. Trabalho relacionado
3. Geometria hiperbólica
4. Método
4.1. Visão geral
4.2. Árvore de hierarquia probabilística
4.3. Decomposição da hierarquia visual
4.4. Hierarquia de aprendizado no espaço hiperbólico
4.5. Hierarquia visual codificação
5. Experimentos e 5.1. Classificação da imagem
5.2. Detecção de objetos e segmentação de instância
5.3. Segmentação semântica
5.4. Visualização
6. Estudos de ablação e discussão
7. Conclusão e referências
A. Arquitetura de rede
B. linha de base teórica
C. Resultados adicionais
D. Visualização adicional
Neste documento, incluímos materiais suplementares para “melhorar o reconhecimento visual com o mapeamento de hierarquia visual hiperbólica”. Primeiro, fornecemos mais detalhes da implementação concreta (seção a), uma linha de base teórica (seção B) e resultados experimentais adicionais (Seção C). Finalmente, visualizamos mais árvores de hierarquia visual das imagens selecionadas para fornecer evidências sólidas do método proposto (seção D).
A. Arquitetura de rede
A.1. Classificação
A.2. Previsão densa.
B. linha de base teórica
B.1. Mistura de gaussianos
![Tabela 6. Comparações de desempenho entre treinamento completo e ajuste fino em vários DNNs no conjunto de dados ImageNet-1K [36].](https://hackernoon.imgix.net/images/fWZa4tUiBGemnqQfBGgCPf9594N2-80931zo.png?auto=format&fit=max&w=1200)
Este documento está disponível no ARXIV sob CC por 4,0 licença de ação.
