学习多尺度表示用于材料分类
通过拍摄来自不同视角的 3D 点的表征,利用投影卷积神经网络架构来学习物质感知描述符,从而实现物质感知的 3D 形状分析,并且通过众包的方式构建了一个 3D 形状数据集,证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。
Oct, 2018
本文提出了一种通过计算 CNNs 提取的特征的不确定性来选择和集成该图像中最佳表示的功能,从而实现基于不同物体材料的图像数据集的材料识别,实验结果表明该方法在材料识别方面表现出最先进的性能,并通过 EFMD 数据集的传递学习更新 CNN 模型,实现了接近人类表现的结果。
Nov, 2015
本文提出了一种基于多层体素网格的端到端多级学习方法来解决现有 3D 目标识别中结构化和非结构化数据表示的缺陷,结果表明该方法在节约内存的同时能够实现与密集体素表示相当的目标识别性能。
May, 2018
本文介绍了受物理中粗粒化方法启发的相似算法如何适用于数据,并基于分层树张量网络,在输入维度和数据集大小的线性比例上进行缩放,使用无监督算法计算大多数层,然后仅针对 MNIST 和 fashion-MNIST 数据集的顶层进行监督分类的优化,得到了非常好的结果,并讨论了将监督权重的先验猜测与数据的无监督表示相混合,从而得到数量较少的特征,但依然能够获得良好性能。
Dec, 2017
本文提出了一种名为 Deep Sparse Coding 的新的无监督特征学习框架,扩展了稀疏编码到多层体系结构,用于视觉对象识别任务,在不同层次的稀疏编码之间连接一种稀疏到密集的模块,结合卷积神经网络(CNN)可达到最先进的性能表现。
Dec, 2013
使用基于 spike-and-slab sparse coding 的新特征学习和提取程序,通过适合于 GPU 的推理过程来克服大数量类的对象识别中标记样本数量的不足,并证明其在 CIFAR-10 和 CIFAR-100 数据集上能够提高监督学习性能和比以前的方法更好地扩展到大量的类别,从而成功赢得了 2011 年 NIPS 工作坊中的挑战
Jun, 2012
该论文提出了一种深度学习方法,可以从不确定数量的拍摄的无序图片中估计材料外观,无需校准,并通过提取每张图片中的最有用的信息并从数据中学到的先验知识,处理视角和光线方向的变化,从而实现对材料的捕捉,并在单张至多张图片的输入条件下,实现与现有单张和复杂多张方法之间的完美平衡。
Jun, 2019
通过使用来自材料科学特定语言模型的自然语言嵌入作为成分和结构特征的表示方法,我们介绍了一种材料发现框架,并将其应用于热电材料,展示了原型结构的多样化推荐和识别出了未充分研究的高性能材料空间,其中包括卤化物钙钛矿、德拉福石和尖晶石结构。
May, 2023
研究了在 Deep Features Framwork 中编码多尺度信息的方法,提出了两种尺度编码策略,并在多个数据集上验证了这些方法的有效性。
Dec, 2016
本研究提出了 SAND 特征,一种专门针对特征提取的深度学习解决方案,能够提供分层上下文信息。该方法在视觉问题的许多方面具有广泛应用,并在不需要额外训练的情况下实现了更好或可比较的结果。
Mar, 2019