ECCVJul, 2016

几何神经短语池化：模拟神经元的空间共现

PDF
TL;DR本文侧重于建模神经元响应的空间共现关系，提出了一种基于几何学的神经短语池化算法来编码神经短语，插入到 CNN 模型中，提升图像分类的准确性。
deep convolutional neural networksspatial co-occurrenceneural phrasesgeometric neural phrase poolingimage classification
发现论文，激发创造
  • 几何图卷积神经网络：Geom-GCN

    本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

    Feb, 2020

  • 探索几何深度学习在降雨即时预测中的应用

    基于几何深度学习的时态图卷积网络（GCN）用于降水预报，通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵，并通过 GCN 层对空间关系进行优化，并使用不同核长度的一维卷积提取时间信息，最终结果通过邻域信息作为辅助输入层来改善，实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性，从而降低误差度量。

    Sep, 2023

  • 学习图池化和混合卷积操作以获取文本表示

    提出了使用可训练投影向量评估节点重要性来选择新图形的最重要的 K 个节点以达到与图像最大池化层相同目的的图形池 (pooling) 层。同时，结合 GCN 和普通卷积运算进行的混合卷积层 (hConv) 能够快速增加接受野 (receptive field)，自动计算特征等功能，基于提出的 gPool 和 hConv 层，我们为文本分类任务开发了新的深度网络，结果证明基于这些层的网络相比于基线方法具有新的最先进性能。

    Jan, 2019

  • 全局二阶池化卷积网络

    本文针对在深度卷积网络较早的层次有效引入二阶表示进行非线性建模的问题，提出了一种新的网络模型，并利用全局二阶池化 (GSoP) 对低到高层次进行二阶表示引入，使图像信息得到全面利用，实验结果表明，在 ImageNet-1K 数据集上，该网络模型优于同类网络，具有最先进的结果。

    Nov, 2018

  • 图神经网络中池化的表达能力

    本文研究图神经网络中的池化操作的表现力问题，并介绍了一种可以全面维持 message-passing 层的表现力的池化操作设计原则，进而通过实验验证其在图同构检测上的效果。

    Apr, 2023

  • 深度卷积网络中的空间金字塔池化用于视觉识别

    本研究提出了 SPP-net 结构，通过空间金字塔池化策略，消除了深度卷积神经网络所需的特定输入图像大小的限制，可生成固定长度特征表示，显著提高了基于 CNN 的图像分类和目标检测方法的准确性，ILSVRC 竞赛中名列前茅。

    Jun, 2014

  • 图神经网络中池化操作的重新思考

    本文研究图形池化（Graph pooling）对图神经网络（GNN）性能的影响，使用随机化或补图聚类的变体挑战了保留局部性表示的必要性，并表明了卷积层在学习表示中的领导作用。与普遍认为的不同，局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。

    Oct, 2020

  • 使用 Geo-CNN 建模三维点云的局部几何结构

    本文提出了一种名为 Geo-CNN 的算法，通过将点和其局部邻域应用一种称为 GeoConv 的通用卷积操作来捕捉点云中局部几何关系，并在特征提取过程中保留点云的几何结构，实现了在 ModelNet40 和 KITTI 数据集上的最先进性能。

    Nov, 2018

  • 用于空间交互建模的卷积

    本文研究用于预测自动驾驶汽车周围参与者运动的空间交互建模问题，并考虑代替 GNN 的解决方案。该研究发现，2D 卷积可以比 GNN 更低延迟地模拟空间交互，并提出一种新的交互损失以进一步改善所考虑的方法的交互建模。

    Apr, 2021

  • 空间分组增强：改进卷积神经网络中的语义特征学习

    本文提出了一种基于空间组别增强（SGE）的卷积神经网络模块，通过生成每个语义组中每个空间位置的注意力系数来调整每个子特征的重要性，可以在仅接受类别监督训练的情况下显著提高图像识别任务的性能。

    May, 2019