DeepPermNet: 视觉置换学习

CVPRApr, 2017

DeepPermNet: Visual Permutation Learning

Rodrigo Santa Cruz, Basura Fernando, Anoop Cherian, Stephen Gould

TL;DR本文提出了一种基于深度学习的任务（visual permutation learning），通过使用 Sinkhorn 迭代生成本质上是连续的双随机矩阵的方法，建立了一个名为 DeepPermNet 的端到端卷积神经网络模型，成功地应用于两个具有挑战性的计算机视觉问题，并在相关数据集上实现了最优化的性能，在深度学习和排列学习领域有着广泛的应用价值。

Abstract

We present a principled approach to uncover the structure of visual data by solving a novel deep learning task coined visual permutation learning

deep learning permutation learning visual data doubly-stochastic matrices computer vision

发现论文，激发创造

Deep Perm-Set Net: 使用深度神经网络学习如何预测具有未知排列和基数的集合

本文提出了一种使用深度神经网络学习预测具有未知置换和基数的集合的新方法，通过交替优化估计置换的分布，在目标检测和 CAPTCHA 问题上超越了最先进的检测器，并意外发现该方法获取了模拟算术的能力。

May, 2018

视觉置换器：一种类 MLP 的置换架构用于视觉识别

本文提出 Vision Permutator，这是一种类似于 MLP 的架构，用于视觉识别。通过在高度和宽度维度上分别编码特征表示，Vision Permutator 能够捕捉沿一个空间方向的长程依赖关系，同时保留另一个方向上的精确位置信息。在 ImageNet 数据集上，使用仅有 25M 可学习参数的 Vision Permutator 在不使用大规模训练数据（如 ImageNet-22k）的情况下可实现 81.5％的 top-1 准确性，比大多数 CNN 和视觉变换器都要好。

Jun, 2021

AutoShuffleNet：通过深度卷积神经网络中的精确 Lipschitz 连续惩罚学习排列矩阵

本文介绍了一种名为 AutoShuffleNet 的基于 ShuffleNet 的卷积神经网络架构，它使用学习的排列矩阵代替手动设计的频道重排，通过引入精确的 Lipschitz 连续非凸惩罚函数来实现高精度排列，可以提高 CIFAR-10 和 ImageNet 数据集的分类准确率。此外，文中还证明了凸松弛不适合于捕捉排列，并介绍了一些排列优化实例。

Jan, 2019

Permutohedral Lattice CNNs

本文提出了一种卷积层，能够处理稀疏的输入特征。它利用 Permiutohedral 网格数据结构实现了一个波透镜卷积算法，从而使得卷积神经网络具有更广泛的应用场景。

Dec, 2014

应用置换等变神经网络于动态预测

介绍了一种对置换对称的神经网络层，类比于卷积层，可以预测 2D 中密集互动粒子的运动，同时可以适应不同数量的对象。

Dec, 2016

使用置换不变算子的深度学习进行多实例组织病理分类

该论文提出了一种处理医学影像的框架，使用多实例学习多个小图像块的神经网络得出最终诊断，以解决机器学习中小 n，大 p 问题和像素级注释的限制。

Dec, 2017

使用置换不变的结构化预测将图像映射到场景图

本文提出了一种基于置换不变性的结构化预测模型设计原则，该模型应用于复杂图像的机器理解，取得了新的最佳效果。