具有小波散射的通用深度网络
本文提出了一种在未知图形几何的情况下对定义在图上的高维数据进行分类的方法 - 基于Haar散射变换,该变换能够计算出不变的信号描述符,并通过深度级联计算正交Haar小波变换来实现。此外,本文还介绍了一种用于无序图形上采样的多尺度邻域估计方法,并对通过降维实现的监督分类在样本集上进行了测试。
Jun, 2014
本文介绍了一种基于双树复杂小波和参数化对数变换的ScatterNet,用于提取具有平移不变性的多分辨率图像表示。该方法通过将偏态分布转换成相对的均值对称分布,从而帮助OLS修剪算法。在两个图像数据集上,该网络的性能表现优于Mallat的ScatterNet,不仅在分类准确性方面,而且在计算效率方面也有所提高。本文还使用不同的训练数据集大小对该方法与其他监督和一些非监督方法进行了比较与实验,展现了该网络的优势。
Feb, 2017
使用散射网络作为监督式混合深度网络的头几层的一般和固定初始化,结合局部编码可以达到与CNNs竞争的最佳结果,还可以在小样本情况下通过几何先验获得更好性能。
Mar, 2017
本文提出了一种用DTCWT ScatterNet卷积神经网络来改善训练的方法,通过将CNN的前几层替换为参数基于log的DTCWT ScatterNet,可以提取基于边缘的不变表示,从而使后续的CNN网络学习更高层次的特征。在CIFAR-10和Caltech-101数据集上,该方法的训练效率得到了显著提升,并且与预训练的CNN前端相比等效性能。
Aug, 2017
本篇论文探讨了散射变换从传统(如图像或音频)信号到图数据的归纳推广,类似于 geometric deep learning 中 ConvNets 的归纳推广,并研究了提取的图特征在图数据分析中的实用性,尤其关注这些特征保留数据中的信息变量和关联的能力,同时将我们的构建与之前的一些理论结果联系起来,这些结果建立在类似变换到图变形的家族上的稳定性上。 我们证明了在社交网络数据的图分类和生物化学数据的数据探索中应用了我们的几何散射特征。
Oct, 2018