ICMLMay, 2019

学习卷积：一种通用的权重共享方法

PDF
TL;DR本文提出了一种学习如何转换卷积滤波器以用于群卷积的方法，通过学习滤波器基础和旋转版本，并使用一组旋转不变系数来编码滤波器，从而在 MNIST 和 CIFAR-10 数据集上实现了低输入旋转敏感度和高性能的特征映射。
group convolutioninductive biasestransform filtersroto-translationrotation invariant coefficients
发现论文，激发创造
  • 学习旋转不变卷积滤波器以进行纹理分类

    使用浅层卷积神经网络学习判别滤波器的一种方法，直接编码旋转不变性以提取旋转不变的特征，实现了与标准浅层卷积神经网络相比更高的分类性能并减少了一个数量级的参数量。

    Apr, 2016

  • 用于图像分类和搜索的变换不变卷积神经网络

    该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性，从而显著提高了 CNN 在图片识别等许多基准任务上的表现。

    Nov, 2019

  • 使用卷积神经网络学习稳定的群不变表示

    本文研究了转化群、深度卷积网络的不变性特性及其对稳定性的影响，进一步探讨了网络架构和可训练滤波器系数等因素与不变性群的关系，提供了更加抽象、强大不变性表示的实现方式。

    Jan, 2013

  • 密集预测的高效不变卷积神经网络

    本文提出了基于核旋转和翻转的一组方法，以实现对卷积神经网络中的旋转和翻转不变性，结果表明，这些方法能够在合理的资源要求下实现不同的不变性。

    Nov, 2017

  • 学习可转滤波器用于旋转等变卷积神经网络

    本文介绍了一种基于可平移、可旋转等变性的创新神经网络结构，采用可旋转滤波器和群卷积实现了对变换的兼容性，使用改进的权重初始化方案来提高准确率，在旋转 MNIST 基准测试和 ISBI 2012 2D EM 语义分割挑战中取得了良好表现。

    Nov, 2017

  • 医学图像分析的旋转平移协变卷积网络

    利用 $SE (2)$ 群卷积提出了一种旋转和平移协变的深度学习框架，可处理旋转输入样本，适用于组织病理学、视网膜成像和电子显微镜等应用，无需数据增强且性能比标准形式的 CNNs 要好。

    Apr, 2018

  • 利用卷积滤波器模式进行迁移学习

    本文介绍了一种新的正则化技术，旨在通过高斯混合模型捕捉卷积神经网络中的统计关系，并将其转移到另一个网络中，实现特征表示的高效学习和转移。

    Aug, 2017

  • 全局上下文感知卷积用于三维点云理解

    本文提出了一种新型的卷积操作符，通过将全局上下文信息与卷积融合，增强了点云数据中特征的区分度，从而解决了旋转不变性卷积的性能问题，并在多项点云任务中实现了最先进的结果。

    Aug, 2020

  • 球面信号的卷积网络

    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

  • 将卷积算子进行泛化，以扩展卷积神经网络到不规则域

    本论文提出一种使用权重共享和基于图的运算符将 CNN 推广到不规则领域的新方法，并进行实验展示，表明对于扭曲的图像，这种模型比感知器模型具有更好的性能。

    Jun, 2016