基于球面 U-Net 的大脑皮层表面分割:方法和应用
本研究通过开发一种新的表面到图像表示方法,成功地在几何数据分析中应用了卷积神经网络,以达到在形状检索、形状分类和语义形状分割等任务上取得了最先进的结果或相当的结果的目标。
Dec, 2018
使用参数化的微分算子在非结构化网络上,通过替换传统的卷积核为可学习的加权微分算子,训练出性能优异、参数更少的神经网络,并在计算机视觉和气候科学任务上进行了广泛实验验证。
Jan, 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
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