ICMLJun, 2019

用于局部尺度不变卷积神经网络的可缩放可转滤波器

PDF
TL;DR本文提出一种基于尺度可控滤波器的局部缩放不变 CNN 模型，通过将 CNN 模型中的卷积核换成尺度可控滤波器，能够显著提高 MNIST-Scale 和 FMNIST-Scale 数据集的性能，具备对全局仿射变换方法（如空间变换器）的有效推广能力。
convolutional neural networktransformation augmentationscale-steerable filter basislocally scale-invariant cnnglobal affine transformation
发现论文，激发创造
  • 尺度等变可转移网络

    介绍了一种使用可控滤波器建立尺度等变卷积网络的通用理论，并将其他常见块推广为尺度等变块，此方法具有计算效率和数值稳定性，同时在 MNIST-scale 数据集和 STL-10 数据集中实现了领先水平的分类结果。

    Oct, 2019

  • 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

  • 旋转 - 尺度等变可操控滤波器

    本研究提出了一种基于可旋转和可缩放等变性的可旋转和可缩放等变滤波器 (RSESF)，用于数字组织病理学图像分析，实验证明该方法优于其他方法，并且训练参数更少，需要的 GPU 资源更少。

    Apr, 2023

  • FILTRA: 通过滤波器变换重新思考可定向卷积神经网络

    本文介绍一种名为 “可转向 CNN” 的神经网络结构，应用于数据的几何变换，通过滤波器变换技术构建可转向卷积核，通过群表示理论将此两者联系在一起，提高了网络的鲁棒性并减少了过拟合。

    May, 2021

  • 利用旋转对称性的密集可定向滤波 CNNs 在组织学图像中的应用

    通过在卷积神经网络中应用旋转等变性，本文提出了 DSF-CNN 模型，它使用群卷积在密集连接结构中使用多个旋转拷贝作为每个过滤器的线性组合，以减少可训练参数的数量，并在肿瘤分类、细胞核分割以及多组织核分割等三个计算病理学任务中实现了最先进的性能表现。

    Apr, 2020

  • 可控卷积神经网络的隐式神经卷积核

    使用 MLP 来参数化 G - 可操作的卷积核，提出了一种简单灵活的 Steerable CNNs 框架，可推广到任何可建立 G - 等变 MLP 的群组 G。在点云（ModelNet-40）和分子数据（QM9）上应用我们的方法，与标准的 Steerable CNNs 相比，性能有显著提高。

    Dec, 2022

  • 尺度 - 旋转 - 等变李群卷积神经网络 (Lie Group-CNNs)

    该研究提出了一种 Lie 群 - CNN 模型，利用群卷积模块的全连接网络和 Lie - 代数实现了尺度旋转等变性，进而成功地从图像中提取几何特征并实现了对图像的等变识别。

    Jun, 2023

  • 卷积神经网络中的向量场尺度等变性

    研究注入本地规模等变性对卷积神经网络的影响，通过在多个尺度上应用每个卷积滤波器来实现。输出是一个向量场编码，用于表示最大激活尺度和尺度本身，这进一步由以下卷积层进行处理。这可使所有中间表示在本地上成为规模等变的。研究发现，这种方法在 MNIST 数字的随机缩放因素回归等已知规模等变任务中会显着提高模型性能超过 20％。此外，还发现该方法对于实际随机缩放数字的分类等尺度不变任务也有用。

    Jul, 2018

  • 具有球谐核的有效旋转不变点 CNN

    本研究提出了一种新的旋转不变结构，可用于操作点云数据以及在神经网络的各个层级中注入了旋转不变性。采用基于球谐函数的核心技术，实现对非刚体物体的局部旋转与整体转型的旋转不变性，并采用空间分区结构进行更高效的汇聚操作，进而最终，在不需要采用数据增广的前提下，成功地通过分类和分割任务对具有挑战性的形状数据进行了高精度的处理。

    Jun, 2019

  • Gabor 卷积网络

    该论文介绍了一个新的深度学习模型，称为 Gabor 卷积网络（GCNs），它将 Gabor 滤波器结合到深度卷积神经网络（DCNNs）中以增强对方向和尺度变换的抵抗力，并实现了在对象识别中的超大类能力，并减少网络参数。

    May, 2017