Sep, 2014

稀疏卷积神经网络

PDF
TL;DR通过处理空间稀疏的输入，我们开发了一种 CNN，可更加高效地训练和测试大型深度 CNN，在手写识别和图像分类等问题上取得了良好的性能。该方法在 CASIA-OLHWDB1.1 和 CIFAR-10/CIFAR-100 数据集上实现了较低的测试误差率。
convolutional neural networksspatially-sparse inputstraining efficiencyonline handwriting recognitioncifar datasets
发现论文，激发创造
  • 稀疏 3D 卷积神经网络

    研究了用于处理稀疏三维输入数据的卷积神经网络，并以 2D 三角晶格和 3D 四面体晶格的 CNN 效率为研究重点，适合于 3D 物体识别和时空对象分析等应用。

    May, 2015

  • SBNet: 用于快速推断的稀疏块网络

    本文介绍了一种新型的基于拼贴的稀疏卷积算法，通过利用计算掩码的稀疏结构，降低了 CNN 中高分辨率计算的复杂度，并应用于基于 LiDAR 的 3D 目标检测中，最终获得了显著的速度提升而无需牺牲准确率。

    Jan, 2018

  • 稀疏不变卷积神经网络

    本文提出了一种用于处理稀疏数据的卷积神经网络架构，采用了一种稀疏卷积层，能够在深度上采样中取得优异的实验效果，作者构建了一个新的基准数据集 KITTI benchmark 进行了验证。

    Aug, 2017

  • 子流形稀疏卷积网络

    文章提出了一种针对稀疏数据的稀疏卷积操作方法，不同于以前的稀疏卷积网络，其在处理子流形时非常高效，与最先进的方法性能相当，但需要明显更少的计算。

    Jun, 2017

  • 基于 CNN 的稀疏数据回归置信度传播

    本研究提出一种代数约束卷积层来解决在卷积神经网络中处理稀疏和不规则间隔输入数据的问题，并且在场景深度完成任务中展示其能力，通过新颖的方法确定置信度并传递到后续层，并提出一个目标函数，同时最小化数据误差并最大化输出置信度，在 KITTI 深度基准上进行了广泛实验并证明了明显的优越性。

    May, 2018

  • 离线手写汉字识别快速、紧凑的卷积神经网络构建

    本研究提出了一种全局监督低秩扩展方法和自适应降重技术来提高离线手写汉字识别 (HCCR) 的计算效率，在保持准确度的同时极大地分减了计算成本和神经网络容量，尤其适于装配在便携设备上。经测试，所提出的算法在计算效率方面远超过现有最佳算法，其速度可达到之前方法的 30 倍，且计算成本更低 10 倍。

    Feb, 2017

  • 一种新的特征混淆方法揭示了卷积神经网络学习空间关系的能力

    该研究使用特征打乱的方法，结合 CNNs 的最小可识别构型分析和有效接受域尺寸的系统控制，探索了 CNNs 在对象分类中是否使用特征的空间排列，并且发现它们实际上能够利用相对较远的空间关系进行对象分类，同时证明 CNNs 使用的空间关系程度非常依赖于特定数据集和该数据集中不同类别对象的分类策略也不同。最后，研究还发现 CNNs 只能学习特征的中间粒度的空间排列，这提示了在对象分类中中间层次的形状特征提供了敏感度和特异性之间的最佳平衡点。

    Dec, 2022

  • 多列深度神经网络用于图像分类

    介绍了一种基于神经网络算法的计算机视觉和机器学习新方法，通过极小的感受野感知神经元构建深度神经网络来实现图像分类，相比于传统的方法显著提高识别性能

    Feb, 2012

  • 使用子流形稀疏卷积网络进行 3D 语义分割

    本研究提出了一种新的稀疏卷积操作，旨在更高效地处理空间稀疏数据，并使用其开发出空间稀疏卷积网络 (SSCNs)。我们在涉及三维点云的语义分割任务中展示了这种模型的强大性能，特别是我们的模型在最近一个语义分割竞赛的测试集上超越了所有以前的最新技术。

    Nov, 2017

  • 空间深度：用于交通场景理解的空间卷积神经网络

    本文介绍了一种名为 Spatial CNN (SCNN) 的神经网络，该网络利用了基于特征图的层间切片卷积来实现像素之间的跨行列信息传递，从而加强了卷积神经网络 (CNN) 学习结构输出的能力，特别适用于具有强空间关系但较少外表线索的目标识别任务，例如交通车道检测。实验结果表明，与传统的 RNN 和 MRF+CNN（MRFNet）相比，SCNN 可显著提高车道检测数据集的准确度。

    Dec, 2017