ICLRAug, 2015

深入挖掘 CNN 层次结构：寻找 CNN 实现视角不变性的方法

PDF
TL;DR本论文针对卷积神经网络 (CNN) 不同层次特征空间中的视角流形结构展开了研究，提出了一种测量视角流形变形和退化的方法，在多视角数据集上，通过精调预训练 CNN，实验证明了学习到的 CNN 表征可以实现视角不变性，并探究了其实现机制。
convolutional neural networksview-manifoldviewpoint invariancefeature spacesmulti-view dataset
发现论文，激发创造
  • 卷积神经网络中的平移不变性是什么？一项可视化研究

    通过三个实验比较了百万级图像的表示方法，发现使用流行的 CNN 模型提取的特征并不具有全局不变性，并提供了一个代码库以及一个网站，可以与实验结果互动交流。

    Nov, 2020

  • 深度神经网络早期层的不变性在多样的特征可视化中展现

    本研究提出了一种找到深度神经网络中隐藏层单元响应中不变性的方法，结果表明 DNNs 学习了不变性转换，并提供了系统性的方法来研究它们。

    Jul, 2018

  • 理解 CNN：利用 INN 解释深度表示及不变性

    为了了解神经网络不透明的黑盒表示法，本研究提出了一种基于 INNs 的方法来恢复任务特定和已学习不变量，将其变成易于理解的语义概念，并在不影响性能的情况下进行后期解释。

    Aug, 2020

  • 卷积神经网络中的平移不变量量化

    研究卷积神经网络中实现图像识别中的平移不变性的因素，并发现训练数据增量是获得平移不变表示的最重要因素。

    Dec, 2017

  • 通过测量等变性和等价性来理解图像表示

    本文探讨了图像表示的数学属性，如同变性，不变性和等价性等，提出了多种方法来实现这些属性，并应用到流行的表示中来揭示其结构的有益方面。

    Nov, 2014

  • 用于图像分类和搜索的变换不变卷积神经网络

    该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性，从而显著提高了 CNN 在图片识别等许多基准任务上的表现。

    Nov, 2019

  • 可视化和比较卷积神经网络

    该研究试图通过两个方面对 CNN 的内部表示进行探究，即可视化不同层级所构建的表示空间中的补丁和可视化每个层中保留的视觉信息，进而比较不同深度的 CNN 的优势。

    Dec, 2014

  • 自监督预训练在三维视觉中的不变性深入剖析

    本文针对自监督学习在 3D 视觉中的应用，提出了一个统一的框架，并对各个不变性进行了全面的研究和比较。同时，文章还提出了一个简单而有效的对 3D 编码器和深度图编码器进行联合自对比学习的方法，并在下游任务中取得了显著的性能提升。

    Jul, 2022

  • 为什么深度卷积神经网络对小图像变换的泛化性表现很差？

    本文研究了卷积神经网络在面对微小图像变换时不具有不变性及其成因。作者提出传统的卷积架构不满足传统采样定理及数据增强只适用于与训练集中典型图像相似的图像，且两种解决方案只能部分解决问题。因此，在网络保持高准确率的情况下保证不变性的问题仍未解决。

    May, 2018

  • 用于紧凑图像表示的对象级深度特征池化

    本文提出一种基于卷积神经网络和物件性先验知识的图像检索方法，通过对图像区域深度特征和物件性先验的结合，有效地解决了图像在几何变换和物品构成方面的不变性问题，从而实现更准确高效的图像检索。

    Apr, 2015