Jun, 2019

SurReal：复数深度学习的 Fréchet 均值和距离变换

PDF
TL;DR本文提出一种新的深度学习架构用于自然复数数据，并利用极径形式将每个样本视为复数空间中的一个领域，设计了一种基于 Riemannian 流形上加权 Frechet 平均的卷积算子和基于距离到 wFM 的全连接层算子，具有非零缩放和平面旋转下的自然等变性及后者的不变性，相较于基于实数神经网络的两通道实数表示法，我们的方法在 MSTAR 和 RadioML 复数数据集上均获得了出色的表现。
deep learningcomplex-valued datapolar formriemannian manifoldequivariant properties
发现论文，激发创造
  • 通过 Fréchet Mean 进行微分

    本文介绍如何在任意的 Riemann 流形中微分 Fréchet 平均值，并提出了一种快速，准确且无超参数的求解器，将 Fréchet 平均值完全集成到双曲神经网络中，并展示了两个案例：一个是将 Fréchet 平均值用于 Hyperbolic Graph Convolutional Network，另一个是开发一种双曲批量归一化方法。

    Feb, 2020

  • 复数变压器架构的建立模块

    该论文旨在将深度学习直接应用于复值信号，提出了建立在变形器结构上的复值神经网络构建模块，并通过在 MusicNet 数据集上进行分类和序列生成任务的测试表明了该模型对于过拟合有更好的鲁棒性，同时维持了与实数传输器的性能相当水平。

    Jun, 2023

  • 用于数据驱动信号处理和信号理解的复数神经网络

    本文介绍了基于 PyTorch 开发的一个包，旨在实现常见复数值神经网络操作和架构的轻量级接口，为数据驱动的信号处理研究和实际应用提供了有用的工具和文档。

    Sep, 2023

  • 用扩张卷积神经网络处理序列流形值数据

    我们提出了一种使用精神病医学数据进行 Alzheimer 疾病组差异分析的卷积神经网络框架，并介绍了如何在计算过程中考虑 Riemann 流形结构。

    Oct, 2019

  • 基于深度学习的人工傅立叶变换（AFT-Net）MRI 重建

    我们引入了一种统一的复值深度学习框架 - 人工傅里叶变换网络（AFT-Net），将领域流形学习和复值神经网络相结合，可以解决领域变换中的图像逆问题，特别是用于加速磁共振成像（MRI）重建和其他应用。

    Dec, 2023

  • 深度复杂网络

    本文提供了复数深度神经网络的关键原子组件，并应用于计算机视觉和音频相关任务，实现了与实数模型相当的性能表现。

    May, 2017

  • 在频域中高效地学习算子

    本文介绍一种基于单个信号变换的频域学习模型，通过方差保持初始化方法和频率选择技术，可以简化模型设计，从而在各种动态系统的学习中获得更高的测试性能和更少的计算成本。

    Nov, 2022

  • 复值神经网络在非平稳物理数据的机器学习中的应用

    本文研究探讨了使用复数和包含相位信息的卷积神经网络对具有相位信息的信号（例如地震数据或电气信号）进行非线性特征提取，实验表明，这种方法能提高网络的泛化性能和准确率。

    May, 2019

  • 比真实更好：MRI 指纹识别的复数值神经网络

    使用深度学习并开发复数神经网络来进行 MRI 指纹识别，可以更准确地确定组织参数。

    Jul, 2017

  • 基于黎曼复矩阵卷积网络的极化合成孔径雷达图像分类

    提出了一种在 Riemannian 空间中利用复矩阵作为网络输入并定义了 Riemannian 操作来学习复矩阵特征的 Riemann 复矩阵卷积网络，通过附加 CNN 模块增强上下文 Riemann 特征，以及通过快速内核学习方法来学习类别特定特征和有效地减少计算时间，实验证明该方法在 Polarimetric Synthetic Aperture Radar（PolSAR）图像分类方面具有出色的性能。

    Dec, 2023