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
基于不可学习算子(梯度、排序、局部二值模式、最大值等),本研究设计了一套旋转不变卷积操作(RIConvs),与传统卷积操作具有相同数量的可学习参数和类似的计算过程,可相互替换。在不同数据集上的实验证明,RIConvs 明显提高了卷积神经网络的准确性,尤其是在训练数据有限的情况下,RIConvs 能进一步提升模型性能。
Apr, 2024
本文提出了一种 Sorting Convolution 方法,通过分析 MNIST-rot 数据集、结合 VGG、ResNet 和 DenseNet 等模型,实现对卫星遥感图像和纹理图像等分类任务的连续旋转不变性,并且在该任务中取得了最优表现。
May, 2023
本文介绍了一种基于可平移、可旋转等变性的创新神经网络结构,采用可旋转滤波器和群卷积实现了对变换的兼容性,使用改进的权重初始化方案来提高准确率,在旋转 MNIST 基准测试和 ISBI 2012 2D EM 语义分割挑战中取得了良好表现。
Nov, 2017
研究表明,随机浅层卷积神经网络的特征空间可以作为自然纹理的模型,可以用于纹理合成算法,并且相较于深层 CNNs 模型,浅层 CNNs 模型具有相当的性能。
May, 2016
本文提出了基于核旋转和翻转的一组方法,以实现对卷积神经网络中的旋转和翻转不变性,结果表明,这些方法能够在合理的资源要求下实现不同的不变性。
本文提出一种可插入到既有卷积神经网络中的模块,直接将旋转不变性整合到 CNN 的特征提取层中,而不会增加模型复杂度,通过仅对立体数据进行训练,在旋转测试集上也能表现良好,这将适用于生物医学和天文学等难以获取垂直样本或目标没有方向性的领域,评估结果表明本模块能够有效提高 LeNet-5,ResNet-18 和 tiny-yolov3 的性能表现。
Feb, 2022
本文提出了一种学习如何转换卷积滤波器以用于群卷积的方法,通过学习滤波器基础和旋转版本,并使用一组旋转不变系数来编码滤波器,从而在 MNIST 和 CIFAR-10 数据集上实现了低输入旋转敏感度和高性能的特征映射。
May, 2019
本文通过对最近的 CNN-based 描述符进行系统评估和比较,梳理深度卷积神经网络在纹理表示和分类变量不变性方面的性质,并提出了一个可视化的方法来理解这个性质。最后,作者介绍了一个关于纹理分析和合成的参数化模型,可以用于基于属性的图像操作以及图像的纹理化处理。
Nov, 2015
本研究通过建立一个简单的网络架构 (Texture CNN),探究了卷积神经网络 (CNN) 中深度特征提取层与纹理分析方法之间的相似性,并将纹理分析方法中的 filter bank 思想应用到神经网络中,证明了其对提升网络表现和大幅减少运算及占用空间的优势。
Jan, 2016