Mar, 2012

不变散射卷积网络

PDF
TL;DR利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。
wavelet scattering networktranslation invariant image representationdeep convolution networksstationary processestexture discrimination
发现论文，激发创造
  • 图散射变换的稳定性

    本文介绍了在网络数据中使用多分辨率图形小波的散射变换，并证明了生成的散射变换对底层网络度量摄动的稳定性。这使得图形散射变换变得稳健，特别适用于转移学习、拓扑估计或时变图的情况。

    Jun, 2019

  • 具有小波散射的通用深度网络

    我们引入了一种两层小波散射网络，可用于物体分类，该两层卷积网络不涉及学习和最大池化，通过初始化第一层的小波滤波器，能够在形态物体变量和杂波等复杂图像数据集上高效执行。

    Dec, 2013

  • 深层轮换散射用于目标分类

    本文介绍一种基于波浪变换滤波器的深度散射卷积网络，通过引入几何先验知识来细化图像特征提取，从而实现图像分类和理解的目标。

    Dec, 2014

  • 紧致黎曼流形上的几何小波散射网络

    本文介绍了一种基于仿射不变性和微分同胚稳定性的 Geometric Scattering Transform 方法，可以使卷积神经网络在流形和图结构领域中更具有普适性和稳定性。

    May, 2019

  • 混合表示学习的散射网络

    本文研究了散射网络，作为模拟图像的通用表征。使用散射网络在监督和无监督学习任务中实现了具有竞争力的结果，并取得了对构建更可解释的卷积神经网络的进展。

    Sep, 2018

  • 可学习的小波神经网络用于宇宙学推断

    应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络，特别在训练数据有限的情况下，且具有高度解释性。

    Jul, 2023

  • 散射算子分类

    该文通过波展分解和复模计算局部散射向量描述符，使用 PCA 模型选择进行监督分类，取得了手写数字识别和纹理分类的最先进结果。

    Nov, 2010

  • 深度散射光谱

    通过小波卷积和模运算，计算多阶调制谱系数，得到一种可以稳定处理时间扭曲的局部平移不变表示，可用于音乐类型和电话语音方面的分类，并取得了最新的分类结果。

    Apr, 2013

  • 基于散射的图卷积神经网络

    该研究将散射变换（scattering transform）推广到图像上并在此基础上构建了图卷积神经网络（convolutional neural network on graphs），证明了在特定条件下，该网络生成的任何特征对排列的变化具有近似不变性（invariance）和对图像操作的稳定性，并在相关数据集上展现出卓越的性能（numerical results）。

    Mar, 2018

  • 刚体运动散射用于纹理分类

    通过深度卷积网络在刚体运动分组上计算卷积，利用平移和旋转变量定义小波，实现了沿平移和旋转轴自适应不变性。该方法不仅保留关节旋转和平移信息，还能以任意所需比例提供全局不变性。文章通过对单个实现的稳定过程进行分类研究和分析，在多个纹理数据库上取得了最先进的结果，具有重要的旋转和缩放可变性。

    Mar, 2014