DeepSphere: 基于 HEALPix 采样的高效球面卷积神经网络用于宇宙学应用

Oct, 2018

DeepSphere: 基于 HEALPix 采样的高效球面卷积神经网络用于宇宙学应用

DeepSphere: Efficient spherical Convolutional Neural Network with HEALPix sampling for cosmological applications

Nathanaël Perraudin, Michaël Defferrard, Tomasz Kacprzak, Raphael Sgier

TL;DR本文提出了一种适用于球形映射的基于图表达的卷积神经网络 DeepSphere，该方法在宇宙学领域中有着广泛的应用，通过对弱透镜质量图的分类问题的实验结果显示，DeepSphere 在高噪声和数据覆盖只有较小部分球面的情况下，通常比其他基线分类器在分类精度上提高 10%。

Abstract

convolutional neural networks (CNNs) are a cornerstone of the Deep Learning toolbox and have led to many breakthroughs in Artificial Intelligence. These networks have mostly been developed for regular Euclidean domains such as those supporting images, audio, or video. Because of their

convolutional neural networks deepsphere spherical cnn healpix cosmology

发现论文，激发创造

DeepSphere：基于图形的球形 CNN

研究了一种基于图表示的方法，DeepSphere，在球形神经网络上设计卷积需要在效率和旋转等变性之间进行微妙的权衡，并且其性能卓越，甚至好于一些采用各向异性滤波器的方法。

Dec, 2020

深度超球学习

本文提出了基于超球面的学习框架 ——SphereConv，以及其在超球面上的深度学习网络 SphereNet，使用广义角 softmax 损失函数实现监督。实验证明，SphereNet 能够有效编码具有辨别力的特征表示并缓解训练困难，使优化更容易，收敛更快，并且分类准确度（甚至更好）与基于传统卷积的网络相当。

Nov, 2017

DeepSphere: 基于图的球形等变卷积神经网络

通过将离散化球体建模为图形，我们可以容纳非均匀分布、部分和变化的采样。此外，图形卷积比球形卷积计算效率更高。通过使用 Defferrard 等人（2016）介绍的图形神经网络，我们讨论了如何实现旋转等变性，在旋转不变学习问题上表现良好。

Apr, 2019

球形卷积神经网络

该研究介绍了构建球形 CNN 的基本模块，该模型可用于解决分子回归和全球气候建模等领域的问题，并通过实验证明了其计算效率、数值精度和有效性。

Jan, 2018

扩展球形卷积网络

这篇研究论文介绍了如何通过提出新的模型组件、实现核心操作以及应用特定输入表示等关键改进来扩展球面 CNN，使其可用于更大规模的问题并在 QM9 分子基准测试的多个目标上达到最新水平，在多个天气预测任务中实现竞争性表现。

Jun, 2023

球面图像上的卷积

本文提出使用 icosahedral Snyder 等面积（ISEA）投影在深度球形图像推理中表示球形图像的方法进行卷积操作，并在语义分割方面取得了 12.6％的提高。

May, 2019

球形变压器：将球形信号适应于卷积神经网络

本文提出基于 Spherical Transformer 的方法，将球面信号转换为能够被标准 CNNs 直接处理的向量，从而使许多经过精心设计的 CNNs 架构可以通过预训练在不同任务和数据集中重复使用，该方法在球形 MNIST 识别，3D 物体分类和全向图像语义分割任务上具有优异性能。

Jan, 2021

用于可扩展和旋转等变球形 CNN 的球面散射网络

本研究提出了一种基于球面构建的扩散网络来处理球面数据，该网络具有旋转等变性和计算可扩展性，并且可以与卷积神经网络（CNNs）相结合，使其可以适用于具有高分辨率球面信号的实际应用中。

Feb, 2021

球面信号的卷积网络

本文介绍了一种新的网络结构 —— 球面卷积网络，用于处理具有旋转不变性的分类问题，并通过在球面上进行卷积和旋转权重共享来实现旋转等变性。实验结果表明，球面卷积网络在处理类似于 MNIST 的数据集时具有很高的准确率。

Sep, 2017

使用球形 CNN 学习 SO (3) 等变表示

论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题，进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法，同时还实现了一种用于谱域的新型池化技术，这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。

Nov, 2017