卷积核网络
本文提出了一种基于多层核机的图像表示方法,并通过监督学习来调整核的形态。该方法构建了一种新的卷积神经网络,在一些深度学习数据集上取得了良好的分类表现,表明了该方法在图像相关任务中的应用价值。
May, 2016
本文介绍了一种新的 kervolution 运算,该方法可以在非线性空间内运行,扩展了卷积神经网络的模型容量,捕捉更高阶的特征交互,并通过基于补丁的核函数实现,而不引入额外参数。大量实验表明, kervolutional neural networks (KNN) 比基线卷积神经网络具有更高的准确性和更快的收敛速度。
Apr, 2019
通过对卷积核的形状与特征表示学习之间的关系的探究,结合实验结果和模拟视觉系统的观察,提出了一种新的卷积核形状设计方法,该方法在 ILSVRC-2012 数据集上减少了模型参数和计算时间,在 CIFAR-10/100 数据集上也优于现有的模型,进一步分析了该方法对于遮挡图像的分类的鲁棒性,并展示了显著的分类性能。
Nov, 2015
深度神经网络具有自动从原始数据中学习相关特征的能力,但完全连接(FC)和卷积架构(CNN)中的特征学习方式不同。本研究通过理论和实验证明了有限宽度 FC 网络的泛化性能可以通过选择适当的高斯先验来获得无限宽度网络的结果,而具有卷积隐藏层的架构则展现出了一种不同的特征学习方式。
Jul, 2023
本文介绍了可旋转卷积神经网络,这是一种高效灵活的等变卷积网络类,利用数学理论中给出的可旋转表示类型系统,我们实现了 CIFAR 图像分类基准上最先进的结果,并展示了如何构建有效利用参数的 CNN。
Dec, 2016
本文研究了深度卷积体系结构的多尺度不变表示问题,提出了基于卷积核网络的多层核方法,分析了核映射引起的几何学效应,表明可以将数据表示与学习分离,提出了模型复杂度的规范化测量,即控制所学模型的稳定性和泛化能力的重复核希尔伯特空间规范,证明了已有卷积神经网络能够映射到该空间中。
Jun, 2017
使用 MLP 来参数化 G - 可操作的卷积核,提出了一种简单灵活的 Steerable CNNs 框架,可推广到任何可建立 G - 等变 MLP 的群组 G。在点云(ModelNet-40)和分子数据(QM9)上应用我们的方法,与标准的 Steerable CNNs 相比,性能有显著提高。
Dec, 2022
本文旨在深入探究 CNN 中的特征方面,发现 CNN 特征映射可用于随机森林和 SVM,以产生超越原始 CNN 的分类结果;使用较低层次的特征可以获得更好的分类结果。
Jul, 2015