Nov, 2016

层次组合特征学习

PDF
TL;DR本研究介绍了层次组合网络 (HCN)，是一种定向生成模型，能够在没有监督的情况下发现和解缠一组二元图像的构建块，使用 max-product 信息传递作为推理引擎，可以简单地执行添加监督信息、分类图像或执行修复等任务，将其用于分类时，具有与卷积神经网络完全相同的功能形式，但 HCN 的特征在定性上非常不同。
hierarchical compositional networkbinary imagesmax-product message passinginference engineconvolutional neural network
发现论文，激发创造
  • 深度组合网络

    本文提出了一种基于层次化组合模型的分析模型，通过显式的结构模型和明确的鉴别成本函数结合，在两个数据集上的实验表明，该模型在判别任务中表现和标准 CNN 相当，同时由于特征单元中结构的明确建模，使得其部分具体化可视化、推理快速分离，并且从局部观察中还原能力更强。

    Sep, 2016

  • 贪心层次组合模型的结构学习

    该研究提出了一种基于分层组合模型 (HCMs) 的结构学习框架，旨在解决现有方法在物体结构和训练数据方面的限制，并通过背景模型将前景 - 背景分割问题整合到结构学习任务中，在只使用类别标签的情况下采用贪婪的结构学习方法确定层次结构的层数和每层的零件数量。该方法得出的 HCMs 具有语义意义，此外，在标准迁移学习数据集上，HCMs 在物体分类方面的表现是有竞争力的。

    Jan, 2017

  • 分级消息传递图神经网络

    提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

    Sep, 2020

  • 深度神经网络如何学习组合数据：随机层次模型

    本文探讨了使用深度卷积神经网络训练高维数据的难点，回答了在随机分层模型中学习所需的训练数据量成长与类别数、高级特征组成式的幂、重复次数成多项式关系的问题，并给出了相应的估算方法。

    Jul, 2023

  • 相干的层次多标签分类网络

    本文提出了一种新的层次化多标签分类问题的方法 C-HMCNN (h)，该方法利用网络 h 中的层次信息，以产生符合约束的预测并提高性能，在广泛的实验分析中展示了与最先进模型相比的优异性能。

    Oct, 2020

  • PHG-Net：基于持久同调引导的医学图像分类

    我们提出了一种名为 PHG-Net 的方法，利用持久同调技术来探索医学图像分类中的拓扑特征，通过轻量级的 PH 模块将拓扑特征与卷积神经网络或 Transformer 结合，实现综合特征提取和融合，从而在目标分类任务中显著改善了现有方法。

    Nov, 2023

  • 用协变组合网络学习图形

    提出了一种新的用于表示图对象的协变组合网络 (Covariant Compositional Networks, CCNs) 模型，采用张量表示的置换群，并引入相应的张量聚合规则来实现协变。实验结果表明，CCN 模型在标准图学习基准测试中优于竞争算法。

    Jan, 2018

  • 用于半监督节点分类的分层图卷积网络

    本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

    Feb, 2019

  • 标签关系图增强的分层残差网络用于分层多粒度分类

    该论文研究了层次多粒度分类问题，基于所提出的组合损失以及继承父级别特征的方法，设计了一种基于层次残差网络的深度神经网络结构，展示了该方法有效性在通常数据集上优于目前最先进的方法及精细分类方法利用标签层次结构。

    Jan, 2022

  • 教授卷积神经网络组合性

    本文提出了一种扩充并训练卷积神经网络的方法，使其学到的特征是组成式的，并促进对对象的分离。实验表明，这种组成式特征学习方法在目标识别任务中相比非组成式基线可以获得更好的性能提升。

    Jun, 2017