Mar, 2017

跨尺度学习 - 卷积神经网络的多尺度方法

PDF
TL;DR本文将深度卷积神经网络的前向传播解释为一种时变的非线性微分方程，并将其训练过程看作微分方程参数的控制过程，提出了两种新的多尺度方法以缩放 CNN，第一种方法通过 CNN 参数的伸缩，连接低分辨率和高分辨率数据，实现使用低分辨率图像训练的 CNN 对高分辨率图像进行分类，并加速学习过程，第二种方法通过连接浅层和深层网络，逐渐增加 CNN 的深度并复用参数进行初始化。
optimal controlcnntrainingmultiscale methodsdeep neural networks
发现论文，激发创造
  • 深度图像分类中学习尺度变化和尺度不变特征

    本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征，并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明，我们的多尺度卷积神经网络优于单尺度卷积神经网络，从而得出结论：在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。

    Feb, 2016

  • 基于 DAG-CNN 的多尺度识别

    使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取，并在三个场景基准测试中展现了最新的最佳分类性能。

    May, 2015

  • 使用卷积神经网络解决大规模空间问题

    本文探讨了如何通过使用转移学习和卷积神经网络等技术来提高大规模空间问题的训练效率，提出小信号窗口训练成果可在大信号上应用的理论，并在移动基础设施方面得到了实证支持。

    Jun, 2023

  • 时间尺度网络：用于时间序列数据的浅层神经网络

    通过结合传统的离散小波变换的转换和扩张序列，利用卷积神经网络和反向传播方法，我们提出了一种最小化、计算效率高的时间尺度网络，它可以同时学习多个时间尺度的特征，用于序列分类，并且具有显著减少参数和操作的优势。在心房功能障碍检测和癫痫预测方面表现出优异性能。

    Nov, 2023

  • 尺度等变可转移网络

    介绍了一种使用可控滤波器建立尺度等变卷积网络的通用理论，并将其他常见块推广为尺度等变块，此方法具有计算效率和数值稳定性，同时在 MNIST-scale 数据集和 STL-10 数据集中实现了领先水平的分类结果。

    Oct, 2019

  • 时间序列分类的多尺度卷积神经网络

    提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

    Mar, 2016

  • 尺度不变卷积神经网络

    本文提出了一种尺度不变的卷积神经网络（SiCNN），采用多列结构，每一列专注于特定尺度，用尺度变换共享相同的滤波器参数，以应对尺度变化，实验结果表明 SiCNN 能够检测各种尺度的特征，并且分类结果表现出对物体尺度变化的强大鲁棒性。

    Nov, 2014

  • 学习学习参数化分类网络以扩展输入图像

    通过利用元学习器生成不同输入尺度的主要网络的卷积权重并针对每个尺度维护私有的批量归一化层，同时利用知识蒸馏技术优化不同输入分辨率下的网络预测，我们学习的元网络可以动态地调节主要网络以适用于任意尺寸的输入图像，表现出相较于单一训练模型更好的准确性和执行效率。经过在 ImageNet 数据集上广泛的实验验证，我们的方法在自适应推断过程中实现了更好的准确性与效率权衡。

    Jul, 2020

  • 基于层次深度学习的适应时间步长的多尺度模拟方案

    使用深度神经网络模拟多尺度问题的新方法，通过利用神经网络时间步进器的分层学习，自适应时间步长以近似不同时间尺度上的动力学系统流动图，与固定步长神经网络求解器相比，该方法在较少的计算时间内实现了业界领先的性能。

    Nov, 2023

  • 利用尺度空间理论进行深度卷积网络的分辨率学习

    使用 N-Jet 层，通过学习 Gaussian 导数滤波器的组合来自动学习每层正确的分辨率，优化连续参数 σ 从而实现有效的分类和分割。

    Jun, 2021