使用 Dirichlet 过程高斯混合模型分析学习卷积神经网络特征
提出了一种基于多维高斯混合分析卷积的深度学习方法,该方法通过高斯混合卷积核和数据产生多个特征通道,使用高斯混合拟合来代替传统的转移函数(如 ReLU),并在适当减少高斯混合成分数量的情况下进行汇集,基于该架构的网络在封装 MNIST 和 ModelNet 数据集的高斯混合物上达到了竞争性的准确性。
Feb, 2022
本论文提出了基于卷积结构的深度高斯过程模型,是一种基于贝叶斯原则的图像分类方法,能够有效的利用局部特征,改善了传统的高斯过程方法在 MNIST 和 CIFAR-10 数据集上的分类准确性,尤其是 CIFAR-10 数据集上准确率提高了超过 10 个百分点。
Oct, 2018
介绍了在 Gaussian 过程中引入卷积结构的方法,并构建了适用于卷积核的跨域诱导点逼近,利用较快但准确的后验推理获得卷积核的泛化利益,应用于多项研究中,其中通过边缘似然可进一步提高性能。
Sep, 2017
本文介绍了一种基于增强版 k-means 聚类算法的深度卷积神经网络,该算法通过无监督学习技术利用分层特征来减少相关参数的数量,从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力,最终在 STL-10 数据集上获得 74.1% 的测试准确率以及在 MNIST 数据集上仅有 0.5% 的测试误差。
Nov, 2015
我们提出了一种基于概率数值方法的卷积神经网络,使用高斯过程表示特征,并采用偏微分方程定义卷积层,实现了旋转等变卷积,实验结果显示我们的方法可将误差降低 3 倍,并在医学时间序列数据集 PhysioNet2012 上展现了出色的性能。
Oct, 2020
本论文针对深度高斯过程在计算机视觉领域应用时存在的挑战(例如卷积结构),提出了一种基于卷积核的卷积 DGP 模型(CDGP)来解决该问题,并在多类图像分类任务中表现出优越性能。
Jun, 2018
本研究提出了一种翻译不敏感的卷积核,并将高斯过程重新制定为多输出高斯过程,以实现深度卷积高斯过程。实验证明,与使用 dropout 的贝叶斯深度学习方法相比,我们的全贝叶斯方法在不确定性和边际似然估计方面的性能有所提高。
Feb, 2019
本文提出了一种新的方式将图形表示为多通道图像结构,并使用普通 2D 卷积神经网络来处理,该方法比现有图形核和图形 CNN 模型更准确且时间复杂度更小,适用于多种真实数据集。
Jul, 2017