ICCVSep, 2019

任意结构数据的学习传播

PDF
TL;DR本研究提出了一种利用全局方式学习数据点之间的配对关系，通过空间广义传播网络（SGPN）实现对任意结构数据的语义分割的模型，该模块可以灵活地嵌入和联合训练许多类型的网络，如 CNN，并且实验证明，相较于不包含此模块的网络，SGPN 始终提高了像素和点云分割的性能，这表明我们的方法是模拟任意构造数据的全局配对关系的有效方法。
computer visionlinear diffusiondeep learningsemantic segmentationarbitrarily-structured data
发现论文，激发创造
  • 通过空间传播网络学习相似性

    本研究提出了一种空间传播网络，用于学习视觉任务的亲和矩阵。通过构建行 / 列线性传播模型，可以精确构建空间变化的转换矩阵，作为精确构建全局对偶关系的亲和矩阵，从而建模图像的密集、全局对偶关系。此网络是一个通用框架，可以应用于包括图像抠图、分割和上色等多个领域。实验证明空间传播网络提供了一种生成高质量分割结果的通用、有效和高效的解决方案。

    Oct, 2017

  • 视频传播网络

    该研究提出了使用视频传播网络进行语义分割的方法，该方法使用时不需要访问未来帧，并且与基于任务的最佳方法相比具有更高的性能。

    Dec, 2016

  • 学习在噪声亲和力图上可靠地传播

    该论文提出了一种新的框架，利用局部图神经网络和基于置信度的路径调度器，可以在大规模真实数据上可靠地传播标签，同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。

    Jul, 2020

  • 重新思考零样本学习的知识图谱传播

    本文介绍了一种基于图卷积神经网络、知识图谱和 Dense Graph Propagation 模块的两阶段训练方法，针对多层架构中节点之间的信息传播问题提出了一种精心设计的直接连接方法，通过加权方案进一步提高了信息在图中的传播效率，实验结果表明，该方法在零样本学习中具有优异的性能表现。

    May, 2018

  • 动态结构语义传播网络

    本文提出了一种动态结构语义传播网络 (DSSPN)，利用语义概念层次结构来构建语义神经元图，并通过神经元图的子图激活方式以及密集的语义增强神经块来优化语义分割性能。

    Mar, 2018

  • 使用卷积空间传播网络学习深度

    这篇研究提出了使用卷积空间传播网络 (CSPN) 进行深度预测的方法，并通过实验展示了其在深度补全和立体匹配任务中的有效性。

    Oct, 2018

  • 基于随机游走标签传播的弱监督语义分割学习

    本文提出一种训练方法，通过基于随机游走的标签传播和卷积神经网络的相互学习，有效地学习到语义边缘，从而实现对于语义分割任务的有效训练。

    Feb, 2018

  • SGPN：用于 3D 点云实例分割的相似度分组提议网络

    本研究提出了一种基于深度学习的简单易用的三维物体实例分割框架，称为相似性分组提案网络（SGPN），该框架使用单个网络预测点分组提案和相应的语义类别，并可直接提取实例分割结果，实验表明，该框架在点云数据上的三维实例分割任务上具有很高的准确性，而且可提高物体检测和语义分割结果的效果。

    Nov, 2017

  • 图元学习中的传播学习

    本文提出一种基于显式任务关系图的原型分类的元学习算法，称为门控传播网络（GPN）。GPN 在学习原型信息时，利用关系图中的多个相关任务的信息进行消息传递和选择性聚合，并在多种场景下实验证明其优于现有元学习方法。

    Sep, 2019

  • 基于图的点云学习的多核扩散 CNNs

    本研究提出一种新的架构设计，结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习，从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。

    Sep, 2018