广义覆盖下的曲面网络
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
本文提出了一种基于球面卷积神经网络的方法,用于解决医学成像等领域中的结构具有球面拓扑结构的问题,应用于婴儿大脑皮层分割和皮层特征图开发预测等神经科学任务,效果显著。
Apr, 2019
本文提出了一种基于 Spherical CNNs 的自我监督训练的方法,能够学习并识别 3D 形状的标准方向,该方法被称为 Compass,并在多个公共数据集上实验,证明了其有效性。
Nov, 2020
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
本研究提出了一种名为 Surface Networks(SN)的模型,该模型通过利用三维曲面的外部微分几何属性,如 Dirac 算子的频谱来定义稳定的形状表示,并证明其对变形和离散化具有稳定性,在两项挑战性任务上展示了 SN 的高效性和多功能性,包括使用 SN 构建的变分自编码器进行时间预测。
May, 2017
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
使用基于图的球形卷积神经网络(CNNs)的金字塔特征网络(FPNs)设计了球形 FPNs,与球形 UNets 相比,我们的模型在 Stanford 2D-3D-S 数据集上表现出一致的改进,而且使用更少的参数,其 mIOU 为 48.75,在先前最好的球形 CNN 上提高了 3.75 个 IoU 点。
Jul, 2023
本文通过利用现有的 3D 数据集和重新渲染的方式解决 $360^o$ 图像的表面法向数据不足的问题,并通过深度卷积神经网络来实现全景图像的表面估计。
Sep, 2019