利用卷积神经网络中的循环对称性
卷积神经网络 (CNN) 在各种计算机视觉任务中提供了最先进的性能。本文研究如何在 CNN 中最佳地包括旋转不变性以进行图像分类,并通过数据增强等方法训练网络以实现旋转不变性。
Oct, 2023
本文提出了一种方法,通过使用可缩放的傅里叶 - 阿甘德表示法和类似卷积的操作来实现卷积神经网络对于平移、旋转和缩放的同时等变性,并验证了该方法在图像分类任务方面的有效性和对缩放和旋转输入的泛化能力。
Mar, 2023
本文介绍一种使用群等变卷积神经网络来解决逆问题的学习重建方法,通过在迭代方法中建立群等变卷积神经网络解决拉伸同变的问题,实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。
Feb, 2021
我们研究了群等变卷积神经网络如何使用子采样来打破对其对称性的等变性,并探讨了对网络性能的影响。我们发现,即使输入维度只有一个像素的微小变化,常用的架构也会变得近似等变,而不是完全等变。当训练数据中的对称性与网络的对称性不完全相同时,近似等变网络能够放松其等变性约束,并在常见的基准数据集上与或胜过完全等变网络。
Aug, 2023
我们提出了一种语义分割模型,利用旋转和反射对称性,扩展了等变 CNN 框架,通过引入新的等变(G-》Z2)- 卷积和等变转置卷积,实现了对组别特征图的变换与上采样,进而提高了样本效率和鲁棒性,并在癌症转移组织病理图像的多个数据组织方案的旋转等变分割任务上进行了评估,证明了利用更多对称性的高效性。
Jul, 2018
本文主要介绍了基于 Bessel 函数的 B-CNNs 的数学开发,包括使用反射和多尺度等同性。通过广泛的研究比较 B-CNN 和其他方法的表现,最终强调了 B-CNN 的理论优势并给出了更深入的数学细节.
Apr, 2023
这篇研究论文介绍了一种从数据学习平移对称性、提高深度学习在图像处理任务中的性能的方法,而非人为设计具有相应等变性质的架构,其通过学习相应的参数共享模式来实现对等变性的学习及编码,并且结果显示其成功替代了传统手动构建深度学习架构的方法。
Jul, 2020
作者提出了一种基于循环层、单调层和去循环层的深度旋转等变网络(Deep Rotation Equivariant Network),该网络可在滤波器层进行旋转变换,而不是特征映射层,从而显着提高了运行速度,减少了存储空间,并在 Rotated MNIST 和 CIFAR-10 数据集上证明了它能提高最优架构的性能。
May, 2017
本研究介绍了一种基于谐波函数的网络 ——Harmonic Networks(H-Nets),H-Nets 可以实现对位移和 360 度旋转的等变性,并应用于深度学习技术及分类问题中,表现出很高的精度表现。
Dec, 2016