ICCVMar, 2019

BAE-NET: 形状协同分割的分支自编码器

PDF
TL;DR本研究将形状共分割作为表示学习问题，并介绍了 BAE-NET（一种分支自编码器网络），用于解决此任务。BAE-NET 是一种无监督的网络，使用形状重建损失在未分割形状集合上进行训练，该网络的编码器使用卷积神经网络对输入的形状进行编码，而解码器将结果特征码与点坐标连接起来，并输出一个指示该点是否在形状内 / 外的值。重要的是，解码器是分支式的：每个分支都学习形状集合中常见部分的紧凑表示。通过将形状重建损失与标签损失结合使用，BAE-NET 可以轻松进行单次学习。我们展示了 BAE-NET 的无监督、弱监督和单次学习结果，证明仅使用少量范例，我们的网络通常可以胜过在数百个分割形状上训练的最先进监督方法。
发现论文，激发创造
  • DAE-Net：变形自编码器用于细粒度形状共分割

    我们提出了一种无监督的三维形状协同分割方法，通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状，这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力，我们引入了一个逐部位变形网络，以便对具有实质几何变化的多样部件进行建模，同时对变形能力施加约束，以确保对最初表示的部件的准确性。我们还提出了一种训练方案，有效地克服局部最小值。从体系结构上看，我们的网络是一个分支式自编码器，具有以体素形状为输入的 CNN 编码器，产生逐部位变换矩阵、潜在编码和部件存在评分，以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net，可以实现无监督的三维形状协同分割，从而产生细粒度、紧凑且有意义的部件，并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验，展示了优于之前方法的性能。

    Nov, 2023

  • 无监督基于增强的自编码器集成用于异常检测

    提出了一种基于 Boosting 思想的 Autoencoder Ensemble 方法（BAE），它是一种无监督集成方法，利用加权采样来训练自编码器组件，并注入集成的多样性，它在各种条件下均优于现有技术水平的方法。

    Oct, 2019

  • 分支可变自动编码器分类器

    本研究介绍了一种改进的变分自动编码器（VAEs），该编码器包含了一个额外的神经网络分支。这个分支 VAE（BVAE）通过将分类标签基于总损失中的类别信息加入到潜在表示中，从而提供了分类信息。结果上，输入类别的潜在空间分布被分离和排序，从而提高了分类准确性。通过使用基准 MNIST 数据集对未旋转和旋转数字进行数值计算来量化提升程度。然后将所提出的技术与具有固定输出分布的 VAE 进行比较并整合。研究发现，这种方法在广泛的输出分布范围下可以获得改进性能。

    Jan, 2024

  • 使用监督自编码器的半监督分类在生物医学应用中的应用

    这篇文章介绍了一种新的半监督分类方法，该方法使用监督自编码器网络，将标签编码到自编码器的潜空间，并定义一个结合分类和重构损失的全局准则，用 PyTorch 实现该半监督自编码器方法并展示其在生物医学应用中的卓越表现。

    Aug, 2022

  • W-Net: 一种用于完全无监督图像分割的深度模型

    本文提出了一种新颖的深度架构用于纯无监督图像分割，通过自编码器将两个全卷积网络进行串联，并在训练期间联合最小化自编码器的重构误差和编码器产生的标准化割。结合适当的后处理，包括条件随机场平滑和分层分割，该算法在基准伯克利分割数据集上取得了出色的结果，优于许多竞争方法。

    Nov, 2017

  • 面向移动和 Web 应用的边界感知分割网络

    本文提出了一种基于边界感知的图像分割网络，它包含一个预测 - 优化的体系结构和一个混合损失函数，可用于高精度图像分割，并在显著对象分割和伪装对象分割等任务上展示了出色的性能。基于该网络，开发了 “AR COPY＆PASTE” 和 “OBJECT CUT” 两个商业应用，可供公众使用。

    Jan, 2021

  • 良性自编码器

    该研究证明了通过压缩数据维度以实现数据表示和压缩的有效性，并提出了一种普遍适用于非凸问题的优化算法（BAE），使得压缩模型输入有利于模型性能，并提出了一种用于计算 BAE 的高效算法，测试表明 BAE 能够提高模型在各类数据中的性能，并提高模型的稳定性和鲁棒性。

    Oct, 2022

  • 协作自编码用于盲图像质量评估

    本文提出了一种新颖的盲图像质量评估方法，该方法利用深度神经网络中的协作自编码器 (COAE) 提取内容和失真表示，从而克服了主观注释数据缺乏的困难，实现了自监督学习，取得了最先进的性能。

    May, 2023

  • BRAU-Net++：基于 U 形混合 CNN-Transformer 网络的医学图像分割

    通过整合卷积和 Transformer 的优点，提出了一种名为 BRAU-Net++ 的混合 CNN-Transformer 网络，用于精确的医学图像分割任务。该网络通过使用双层路由注意力作为核心构建块来设计层次化编码器 - 解码器结构，以学习全局语义信息并降低计算复杂性。通过在跳跃连接中结合通道 - 空间注意力，最小化局部空间信息损失并放大多尺度特征的全局维度交互。在三个公共基准数据集上进行广泛实验，表明我们提出的方法在几乎所有评估指标上超过了包括其基准：BRAU-Net 在内的其他最先进方法。

    Jan, 2024

  • Split-Brain Autoencoders: 跨通道预测无监督学习

    该研究提出了拆分编码器，一种传统编码器结构的简单修改，用于非监督学习表示。这种方法通过对网络添加一个拆分，得到两个不相交的子网络，从而迫使网络完成跨通道预测任务，在整个网络中提取特征，从而在多个大型迁移学习基准测试中实现了最先进的性能表现。

    Nov, 2016