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
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
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
本文提出了一种球形卷积核,用于高效图形卷积处理 3D 点云数据,应用于图形神经网络中,实现点云分类和语义分割。
Sep, 2019
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
本研究提出一种新的架构设计,结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习,从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。
Sep, 2018
本文提出了一种基于八叉树引导的神经网络结构和球形卷积核来进行任意 3D 点云的机器学习。该网络架构充分利用了不规则点云的稀疏性,并通过空间划分分层粗化数据表示。同时,该提议的球形核有系统地量化点邻域,以识别数据中的局部几何结构,同时保持平移不变性和不对称性。我们利用与空间位置相关联的网络神经元来指定球形核,从而避免了网络训练期间动态核生成,以实现高分辨率点云的高效学习,并在 3D 对象分类和分割的基准任务上取得了新的最先进状态,分别在 ShapeNet 和 RueMonge2014 数据集上。
Feb, 2019
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
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
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。