卷积神经网络织物
本文介绍了一种名为 Multi-Fiber 的新型神经网络架构,它将一个复杂的神经网络切分成多个轻量级网络,以显著降低 3D 网络的计算成本,同时保持与现有 2D 网络相当的识别准确性,可以显著提高视频和图像识别任务的效率,并在 UCF-101,HMDB-51 和 Kinetics 数据集上达到了最先进的性能水平。
Jul, 2018
本研究提出一个轻量级神经网络,能够以多个尺度表示不同类型的机织面料,通过编码面料图案和参数为一个小的潜在向量再经由一个小的解码器进行解释而实现。该网络通过像素的足迹作为输入,实现了多尺度表示,其结构轻量且占用存储空间小,能够以接近 60 帧每秒的速度在 RTX 3090 上渲染和编辑机织面料,并且不出现可见的走样和噪声。
May, 2024
该研究通过比较卷积神经网络(CNN)和全连接网络(FCN)在损失景观中的动态性来探讨它们究竟有什么不同。他们引入了一种将 CNN 映射为其等效 FCN(称为 eFCN)的方法,以直接在 FCN 空间中比较 CNN 和 FCN 的培训动态。该研究还测试了一种新的培训协议,证明了 eFCN 对于某些中间时刻可以优于 CNN。这表明在优化的早期阶段,CNN 的先验有助于浏览损失景观,从而实现更好的泛化。
Jun, 2019
提出了一种基于全卷积图神经网络的学习方法,用于虚拟试穿应用。该方法可以适用于许多服装类型,并使用几何深度学习方法对 3D 服装进行拟合。通过对目标物体形状和材料进行建模,我们的模型学习了更精细的细节,提高了试穿模型的性能。
Sep, 2020
本文考察卷积神经网络中层数、特征图数量和参数数量对模型性能的影响,结果表明,增加层数和参数数量都有明显改善,而特征图数量(和表示的维度)对模型性能影响较小,更应关注这些层中的参数数量。
Dec, 2013
本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述,并描述和评估了一些层次分类器。此外,本文还开发了一种可视化分类错误的新方法,并在 CIFAR-100 上量化了一些结果,如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型,它只有 100 万个学习参数,适用于 32x32x3 和 100 类输入,并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。
Jul, 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
本文提出了用于快速前馈执行的扁平卷积神经网络,该网络训练扁平化的连续序列 1D 过滤器,可通过减少学习参数以提供约两倍的速度提升,可以有效地替代 3D 过滤器而不会丧失准确性,而且无需人工调整或后处理
Dec, 2014
通过物理嵌入学习框架,使用卷积神经网络代表物体之间的空间相关性,并通过三个分支学习布料物理的线性、非线性和时间导数特征,模型通过与传统模拟器或子神经网络相结合,测试在不同的布料动画案例中达到与基准值的一致性和预测的真实性,同时提高了推理效率,可与其他视觉细化技术整合应用于三维布料动画。
Mar, 2024
本文介绍了一些基于最近深度学习的集体知识挖掘的神经网络结构设计原则,并提出了 FractalNet、Stagewise Boosting Networks 和 Taylor Series Networks 等创新型架构。
Nov, 2016