Mar, 2020

使用 PIC 识别长距离活动的置换不变卷积

PDF
TL;DR介绍了一种新的神经网络层 ——Permutation Invariant Convolution（PIC），它具有三种可取的属性：在其感受野内部特征的时间排列不变，各个区域之间存在本地连接，使用共享权重，这使得它更能够检测噪声较大的视频中的最有鉴别性的视觉证据，并且该神经网络层能够有效地识别 Charades，Breakfast 和 MultiThumos 等长时间的活动。
neural operationslong-range activitiespermutation invariant convolutiontemporal structurevisual evidence
发现论文，激发创造
  • 多智能体深度强化学习中的置换不变评论家

    通过提出置换不变批评家机制，能够使得多智能体强化学习系统的采样效率与可扩展性得到提高，同时在多智能体颗粒环境中经过实验验证可以使得测试回合奖励提升 15％至 50％。

    Oct, 2019

  • 应用置换等变神经网络于动态预测

    介绍了一种对置换对称的神经网络层，类比于卷积层，可以预测 2D 中密集互动粒子的运动，同时可以适应不同数量的对象。

    Dec, 2016

  • 置换不变注意力的小样本动作识别

    本文提出一种基于 C3D 编码器和置换不变池化的模型，针对视频的少样本动作识别任务，通过性质相似的 原始视频块以及注意力机制，使其适用于不同长度和长期依赖模式的变化，同时在 HMDB51、UCF101 和 miniMIT 数据集上表现良好。

    Jan, 2020

  • 面向行动识别的定向时态建模

    本文引入了通道独立方向卷积（CIDC）操作，学习在局部特征之间建模时间演变，构建了一个轻量级网路建立并能分析多个空间尺度上剪辑级时序演变的网络结构，并通过四个流行的活动识别数据集验证了该方法的有效性，并可视化该网络的激活图，显示其能够关注图像帧中更有意义、与动作相关的部分。

    Jul, 2020

  • 物理信息卷积循环代理模型在考虑井控制的储层模拟中的应用

    本文提出了一种新颖的代理模型 -- 物理知识卷积递归神经网络（PICRNN），用于建模具有井控制的井下流体流动。

    May, 2023

  • 视觉注意力的循环模型

    通过引入一种新的循环神经网络模型，允许自适应选择一系列区域或位置并仅处理所选区域。该模型可通过强化学习方法训练，提高图像分类性能，并能够跟踪简单对象。

    Jun, 2014

  • 任务驱动的卷积循环视觉系统模型

    通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

    Jun, 2018

  • 长期循环卷积网络用于视觉识别和描述

    研究比较深度卷积网络和带有循环结构的深度卷积神经网络的效果，针对视频识别、图像描述、检索以及视频叙事方面的问题，开发出一种新颖的循环卷积架构，该架构可以训练端到端，可以同时学习时间动态和卷积感知表示，并具有学习长期依赖性的能力。实验结果证明，循环卷积模型在识别或生成方面与现有的模型相比具有明显的优势。

    Nov, 2014

  • 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

  • 基于置换不变性的特征重构用于相关感知的图像集识别

    本文研究了如何通过特征重组、自注意力、稀疏 / 协作学习等手段来比较变量数量、质量和无序异质图像集的相似度，并在实验中取得了领先的成果，解决了人脸识别和人物重识别等问题。

    Aug, 2019