May, 2018

基于 CNN 的稀疏数据回归置信度传播

PDF
TL;DR本研究提出一种代数约束卷积层来解决在卷积神经网络中处理稀疏和不规则间隔输入数据的问题，并且在场景深度完成任务中展示其能力，通过新颖的方法确定置信度并传递到后续层，并提出一个目标函数，同时最小化数据误差并最大化输出置信度，在 KITTI 深度基准上进行了广泛实验并证明了明显的优越性。
convolutional neural networkssparse input dataalgebraically-constrained convolution layerdepth completion taskobjective function
发现论文，激发创造
  • 通过 CNN 进行置信度传递，用于引导稀疏深度回归

    本文提出了一种代数约束归一化卷积层，可以用于处理高度稀疏的输入数据，结合深度和 RGB 信息，同时最小化数据误差和最大化输出置信度，解决场景深度补全问题，具有参数效率等优点。

    Nov, 2018

  • 稀疏不变卷积神经网络

    本文提出了一种用于处理稀疏数据的卷积神经网络架构，采用了一种稀疏卷积层，能够在深度上采样中取得优异的实验效果，作者构建了一个新的基准数据集 KITTI benchmark 进行了验证。

    Aug, 2017

  • 使用 CNN 处理稀疏和密集数据：深度补全和语义分割

    该论文介绍了一种处理稀疏深度数据的方法，它可以完成深度补全和语义分割，且具有网络鲁棒性，适用于包括 8 层雷达在内的密度极低的场景，并在 KITTI 深度补全基准测试中表现出优越性能。

    Aug, 2018

  • 稀疏卷积神经网络

    通过处理空间稀疏的输入，我们开发了一种 CNN，可更加高效地训练和测试大型深度 CNN，在手写识别和图像分类等问题上取得了良好的性能。该方法在 CASIA-OLHWDB1.1 和 CIFAR-10/CIFAR-100 数据集上实现了较低的测试误差率。

    Sep, 2014

  • SBNet: 用于快速推断的稀疏块网络

    本文介绍了一种新型的基于拼贴的稀疏卷积算法，通过利用计算掩码的稀疏结构，降低了 CNN 中高分辨率计算的复杂度，并应用于基于 LiDAR 的 3D 目标检测中，最终获得了显著的速度提升而无需牺牲准确率。

    Jan, 2018

  • 利用和保持卷积网络中的稀疏性的推断、学习和注意力机制

    本文介绍一种利用 CNNs 去处理罕见数据的工具套件，包括直接稀疏卷积、注意力机制避免填充，以及适用于标准学习框架的反向传播算法改进，可以实现比传统密集框架更低的内存足迹和计算时间。

    Jan, 2018

  • 使用卷积空间传播网络学习深度

    这篇研究提出了使用卷积空间传播网络 (CSPN) 进行深度预测的方法，并通过实验展示了其在深度补全和立体匹配任务中的有效性。

    Oct, 2018

  • DeltaCNN: 视频稀疏帧差的端到端卷积神经网络推理

    DeltaCNN 是一个在视频数据上加速 CNN 网络推断的框架，通过对非重要像素进行截断和跳过相似图像区域以减少计算冗余，使得在实际设置中能够显著地提高效率并在准确度上只有少量差异。

    Mar, 2022

  • 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

  • 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