部分证据下的反馈传播卷积神经网络推断
该研究提出了一种名为 VisualBackProp 的新方法,用于实时可视化基于卷积神经网络(CNN)的系统中哪些输入像素集对预测结果产生最大影响,通过探索特征映射中趋于不重要的信息,该方法可以计算速度快于传统的正向传递方法,并可作为一种有价值的调试工具进行训练与推断。
Nov, 2016
本文提出一种基于深度学习模型的简化 Belief Propagation 方法 (BP Layer),并将其作为卷积神经网络 (CNNs) 的中间层或者最终层来解决密集预测问题,如立体,光学流和语义分割等。
Mar, 2020
该论文提出了一种新的框架,利用局部图神经网络和基于置信度的路径调度器,可以在大规模真实数据上可靠地传播标签,同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。
Jul, 2020
本文介绍了第一个有效的边界传播算法 INVPROP,用于在神经网络的线性约束输出集的原像上验证属性,并可以与分支和限制相结合以实现完整性。我们的算法在安全控制区域量化和神经网络中检测超出分配的输入方面具有应用价值,并且在相同硬件上比先前的工作快 2.5 倍,可以找到超过 2500 倍的最紧近似。
Feb, 2023
本文提出了一种统一的图像增强框架 ——Deep Prior Ensemble,结合了先验建模和卷积神经网络的优点,利用反馈控制设计了先验投影,使用体验启发的 CNN 来预测每个阶段的传播方向,通过理论证明保证输出满足基本的任务约束条件,实现了对不同图像增强任务的泛化集成方法。
Oct, 2018
该论文介绍和研究了作为一个新问题的确定性偏微分方程的置信区间(CI)估计,即通过概率保证从数据位置向整个域传播置信度。我们提出了一种基于双层优化的方法,称为物理信息置信传播(PICProp),用于计算一个有效的置信区间而不进行重大假设。我们提供了关于我们方法有效性的定理以及关注于物理信息学习的计算实验。
Oct, 2023
本研究提出了一种新的方法,利用 Plugin Networks 将部分证据与深度卷积神经网络相结合进行推理,从而改进了现有方法中的一些不足,使之在场景分类、多标签图像注释和语义分割等多种任务中都表现出优异的性能。
Jan, 2019
本文介绍了 PropNet—— 一种可学习的动力学模型,能够在部分可观测场景下进行模型控制,并实现信号的即时传播。实验结果表明,与其他学习物理引擎相比,PropNet 的前向模拟性能更好,在各种控制任务中也表现出更高的性能。与现有的模型无深度强化学习算法相比,使用 Propagation Networks 实现模型控制更准确、有效,且更具普适性。
Sep, 2018
该研究针对计算机辅助肺结节检测问题,介绍了一种多阶段贝叶斯卷积神经网络架构中传播和融合不确定性信息的方法,并通过实验验证了通过传播不确定性信息可以提高模型预测准确性和置信度的效果。
Dec, 2017