May, 2017

探索卷积神经网络的可逆性

PDF
TL;DR论文讨论卷积神经网络近似可逆性及其在稀疏信号恢复方面的数学模型，并给出一种精确的模型基础压缩感知与其恢复算法和随机权重 CNN 的连接。作者通过实验得出多个学习网络与数学分析一致，以简单的理论框架合理地重构实际图片。同时，作者也探讨了我们的模型假设与实际场景分类训练的 CNN 之间的差距。
发现论文，激发创造
  • 卷积神经网络在图像反问题中的综述

    本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

    Oct, 2017

  • 何时使用卷积神经网络解决反问题

    本文介绍求解计算机视觉中的重构问题，阐述了使用卷积稀疏编码与卷积神经网络的优缺点，并提出了卷积稀疏编码可用于解决某些反问题的有效性，通过 JPEG 残留抑制和非刚性轨迹重建的操作，对使用 CSC 方法进行的应用进行了实证和验证，并指出如何将 CSC 模型的理论用于改进 CNN 模型的应用。

    Mar, 2020

  • 通过反演深度图像表示来理解它们

    本研究旨在探讨如何反推一张图像的视觉信息，发现在 CNNs 的不同层中，层与层之间保留有关图像几何与光度不变性的信息。

    Nov, 2014

  • i-RevNet：深度可逆网络

    通过 i-RevNet 网络的可逆性证明了深度卷积网络并不需要通过逐步丢弃输入信息来学习代表信息以获得泛化能力，并通过线性插值对模型学习到的信息进行了解释。

    Feb, 2018

  • 深度卷积神经网络用于图像反问题

    使用深度卷积神经网络，结合直接反演、多分辨率分解和残差学习等技术来解决病态反问题，实验证明，在稀疏采样下，该方法能在不到一秒的时间内重建 512 x 512 的图像，取得了比迭代正则化平滑重建更好的效果。

    Nov, 2016

  • 通过深度卷积神经网络学习反演：信号恢复

    本研究致力于解决压缩感知中遇到的两个挑战问题：真实数据在固定基下不是稀疏的；当前的高性能恢复算法收敛速度慢，这限制了压缩感知的应用。通过使用深度卷积神经网络，我们开发了一个名为 DeepInverse 的新信号恢复框架，从测量向量学习逆变换，解决了这两个挑战问题，并取得了实验结果上的成功表现。

    Jan, 2017

  • 通过卷积稀疏编码分析卷积神经网络

    提出了一种新的多层模型，ML-CSC，其信号被假定为从一系列 CSC 层中出现。CNN 的前向传递实际上是服务于 ML-CSC 模型的阈值追踪，将 CNN 与 ML-CSC 模型紧密联系起来，为 CNN 带来了新的视角，同时也提出了一个与去卷积网络相关的前向通道替代方案，具有更好的理论保证。

    Jul, 2016

  • 深度卷积网络中归纳偏见的理论分析

    本文研究卷积神经网络中的归纳偏差，证明了一定深度下 CNN 可以进行连续函数的逼近以及 CNN 具有吸收长距离稀疏相关性的能力，并通过对称性分析证明权重共享与局部性对学习的重要性。

    May, 2023

  • 卷积核网络

    通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。

    Jun, 2014

  • 关于卷积神经网络学习收敛速度的研究

    卷积神经网络的近似和学习能力的研究，证明了满足权重约束的卷积神经网络的新逼近界限，并给出了覆盖神经网络的新分析，从而得到了更好的收敛界限，并利用这两个结果在许多学习问题中推导了基于卷积神经网络的估计器的收敛速度，对于学习平滑函数的非参数回归设置和二元分类中的卷积神经网络分类器的 Hinge 损失和 Logistic 损失，得到了最优的收敛速度。

    Mar, 2024