CVPRApr, 2019

自适应连接神经网络

PDF
TL;DR本文介绍了一种新型的自适应连接神经网络 (ACNet)，以两个方面改进了传统的卷积神经网络 (CNN)。首先，ACNet 通过自适应地确定特征节点 (如特征映射的像素) 之间的连接状态，采用了灵活的方式在处理内部特征表示时切换全局和局部推理；其次，ACNet 还能处理非欧几里德数据。在各种基准测试中，包括图像分类、语义分割等，实验分析表明，ACNet 不仅可以实现最先进的性能，还可以克服传统 MLP 和 CNN 的局限性。
adaptively connected neural networkcnnsnon-euclidean dataimage classificationsemantic segmentation
发现论文，激发创造
  • 场景分割的自适应上下文网络

    该研究提出了一种自适应上下文网络（ACNet）来捕捉基于像素需求的上下文，以全局上下文和局部上下文的竞争性融合为基础，进一步提高场景解析性能。

    Nov, 2019

  • 自适应图卷积神经网络

    本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络（Graph CNNs），在九个图结构数据集上，实现了收敛速度和预测精度方面的显著性能提升。

    Jan, 2018

  • ACNe: 用于健壮置换等变学习的注意力上下文归一化

    本文提出了注意力上下文归一化（ACN）技术，基于排列不变网络实现离群点鲁棒性的全局归一化方法，并利用本地和全局注意力找到高维空间中的关键数据点来解决特定任务，实验证明我们的方法在处理稀疏、无序数据的点云分类、抗噪点云拟合和相机姿态估计等方面性能较现有方法显著提升。

    Jul, 2019

  • 自适应邻域一致性的通信网络

    本研究介绍了一种使用自适应邻域一致性网络（ANC-Net）的卷积神经网络架构，用于解决同类别物体图像之间生成密集视觉对应的任务。该方法通过非各向同性的四维卷积核，多尺度自相似性模块和正交损失来实现稠密匹配，并在各种基准测试中优于现有的最先进方法。

    Mar, 2020

  • 同时进行：通过 IBN-Net 增强学习和泛化能力

    IBN-Net 是一种卷积神经网络结构，它通过融合实例归一化和批量归一化，能显著提高 CNN 在一个领域（例如 Cityscapes）的建模能力以及在另一个领域（例如 GTA5）的泛化能力，并且适用于许多先进的深度网络。

    Jul, 2018

  • 结构空间中自适应邻居发现的人脸聚类

    本文提出了一种名为 Ada-NETS 的新算法，通过构建清洁图形来聚类面孔，该方法与当前最先进的方法相比具有优越性和普适性，可以通过邻居发现策略来显著减少噪声边缘。

    Feb, 2022

  • 解剖限制神经网络 (ACNN)：心脏图像增强和分割应用

    提出了一种新的训练策略，通过学习有关器官形状和位置的先验知识，将其应用于 CNN 中，以改善图像分析方法的性能，改进了 CNN 的分割效果，成功将其应用于心脏数据集并探讨了其在分类心脏病理学方面的应用。

    May, 2017

  • 交替更新团块的卷积神经网络

    提出了一种基于循环反馈结构和多尺度特征策略的 CliqueNet 卷积神经网络，通过改进信息流提高了网络的训练效率，利用参数更加高效，实验结果在 CIFAR-10，CIFAR-100，SVHN 和 ImageNet 等数据集上表现优异，同时参数规模更小。

    Feb, 2018

  • EdgeNets: 边缘变化的图神经网络

    本文提出 EdgeNet 框架，将现有的图卷积神经网络（GCNNs）和图注意力网络（GATs）统一起来，使得同一问题可以使用不同的 GNN 结构来解决，并且指导和优化各种 GNNs 的性能和实现。

    Jan, 2020

  • 交通流量预测的自适应图卷积网络

    该论文提出了一种新颖的自适应图卷积网络（AGC-net），通过自适应图卷积（AGC）和一种上下文关注机制，将空间图表达转换为实时特征，考虑到时间上下文，在公共交通数据集上展现了其明显的优于基础模型的有效性。

    Jul, 2023