卷积神经网络的生成建模
卷积神经网络在图像生成、还原和修复中具有良好的性能,即使在没有训练数据的情况下,通过应用随机初始化的过参数化凸轮生成器拟合噪声和损坏的自然图像可以去除图像噪声。在这篇论文中,作者将这种现象归因于卷积网络的特定架构选择,即使用固定插值滤波器进行卷积,并证明早期停止的梯度下降可用于去噪和对其他逆问题进行正则化。
Oct, 2019
本文从生成的角度研究了卷积神经网络,提出了一种学习基于卷积层过滤器的生成 FRAME 模型的方法,并说明了每个学习的模型对应于上面一层的新 CNN 单元,最终展示了利用这样的生成 CNN 模型学习新的 CNN 单元的可能性,学习算法允许使用二元潜变量的 EM 解释。
Sep, 2015
本文介绍了一种新方法,使用条件生成对抗网络(GAN)通过信息传递学习卷积神经网络(CNN)的图像处理和预测,同时解决了如何将信息传递到 GAN 的挑战和如何有效地训练 GAN 的问题,该方法通过中间层的平均交互地图来表达 CNN 的结构,通过两种交互方案的对比得出了 GAN 可有效解释 CNN 从而提高图像处理的实现效率。
Jan, 2023
本文介绍了一种使用 Cartesian 遗传编程自动构建卷积神经网络结构的方法,并通过将其应用于 CIFAR-10 数据集的图像分类任务验证了该方法的有效性。
Apr, 2017
本文开发了一种生成模型,其中将新颖的概率池化操作集成到深度模型中,从而产生有效的自下而上(预训练)和自上而下(精细化)概率学习。实验结果表明该模型具有学习图像多层特征的强大能力,并在 MNIST 和 Caltech 101 数据集上获得了优秀的分类结果。
Apr, 2015
本文探讨了三维数据表示方式的重要性,使用基于体素的模型来进行形状建模和物体分类,并提出了训练基于体素的变分自编码器、探索潜空间的用户界面和采用深度卷积神经网络实现物体分类的方法。最终在 ModelNet 基准测试中,我们的模型相较于最新技术提升了 51.5% 的物体分类准确率。
Aug, 2016
本文主要介绍了如何使用生成对抗网络来解释卷积神经网络对 COVID-19 胸部 X 光的学习,通过在 GAN 的潜空间内插值,提供了 CNN 对肺部不同特征的细粒度可视化。
Oct, 2021
本文研究了基于会话的下一个项目推荐,发现现有的生成模型和网络结构无法很好地建模项序列中的长距离依赖关系,因此提出了一种简单而有效的生成模型,用于学习从短时至长时的项目依赖的高级表示。文中提出的模型的网络结构由一堆突出卷积层(可以有效地增加感受野而不依赖于池化操作)组成,并在推荐系统中采用残差块结构,以便更深的网络优化。该模型在下一个项目推荐任务中具有最先进的准确性,训练时间较短,尤其是在存在长序列用户反馈的情况下表现出色。
Aug, 2018
本研究提出了一种能够从观测数据中学习功能性因果模型的因果生成神经网络(CGNN),通过利用条件独立性和分布异质性来发现双变量和多变量的因果结构。该模型不假定缺乏混淆因素,并使用反向传播来学习可微分的数据生成模型。通过大量实验,发现在因果推断、v - 结构识别和多元因果发现方面,CGNN 在模拟和实际数据上相对于现有技术具有很好的表现。
Nov, 2017