Apr, 2020

特征透镜：用于不变转换视觉表示的即插即用神经模块

PDF
TL;DR通过引入 Feature Lenses，可以在不重新训练的情况下，使卷积神经网络在面对各种图像变换时更具鲁棒性，提高其不变性，此方法是基于无监督的自身对比学习训练的。在 ImageNet、MNIST-rot 和 CIFAR-10 数据集上验证，Feature Lenses 相较于基线方法表现出明显优势。
convolutional neural networksfeature lensesimage transformationsinvarianceself-supervised learning
发现论文，激发创造
  • 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

  • 胶囊网络在复杂数据上的性能

    本文介绍了卷积神经网络的两个不足之处：不能考虑特征之间的重要空间关系和缺乏旋转不变性。为了解决这个问题，Hinton 等人提出了一种新型神经网络 —— 胶囊网络，该网络采用动态路由和重构正则化技术，具有旋转不变性和空间感知能力。在 MNIST 数据集上进行测试，胶囊网络的测试错误率为 0.25％，优于以前 0.39％的基准。同时，我们还尝试找到最佳配置组合，以在 CIFAR10 数据集上获得最佳测试结果。

    Dec, 2017

  • 卷积神经网络中的区域旋转层

    本文提出一种可插入到既有卷积神经网络中的模块，直接将旋转不变性整合到 CNN 的特征提取层中，而不会增加模型复杂度，通过仅对立体数据进行训练，在旋转测试集上也能表现良好，这将适用于生物医学和天文学等难以获取垂直样本或目标没有方向性的领域，评估结果表明本模块能够有效提高 LeNet-5，ResNet-18 和 tiny-yolov3 的性能表现。

    Feb, 2022

  • 深度神经网络的特征层级增强提高仿射变换鲁棒性

    本文提出了在中间神经网络层引入数据增强以改善卷积神经网络不适用于少量像素旋转或平移的问题，并证明该方法比已有的两种方法获得更好的精度和平均翻转比。

    Feb, 2022

  • 卷积神经网络中的平移不变性是什么？一项可视化研究

    通过三个实验比较了百万级图像的表示方法，发现使用流行的 CNN 模型提取的特征并不具有全局不变性，并提供了一个代码库以及一个网站，可以与实验结果互动交流。

    Nov, 2020

  • 卷积核适应校准鱼眼

    使用摄像机校准来改变卷积核并适应畸变，使得卷积的感受野类似于透视图像中的标准卷积，从而提高在深度估计和语义分割中校准鱼眼镜头网络的性能。

    Feb, 2024

  • 本地尺度不变卷积神经网络

    本研究提出了一种可以使卷积神经网络具有局部尺度不变性的简单模型，从而在面对尺度变化时，可以学习到更具有区分性的特征，并减少过度拟合的风险。

    Dec, 2014

  • 卷积核网络

    通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。

    Jun, 2014

  • 深度神经网络早期层的不变性在多样的特征可视化中展现

    本研究提出了一种找到深度神经网络中隐藏层单元响应中不变性的方法，结果表明 DNNs 学习了不变性转换，并提供了系统性的方法来研究它们。

    Jul, 2018

  • 初级视皮层旋转等变卷积神经网络模型

    本文研究了鼠视觉皮层神经元的处理方式，通过使用旋转等价卷积神经网络提取共性特征并与传统模型进行比较，发现传统线性 - 非线性模型存在不足，但卷积神经网络能够更加准确地预测自然刺激下神经元的反应，且 V1 神经元存在一些与传统 Gabor 过滤器不同的共性特征，这对研究 V1 中的非线性计算具有重要意义。

    Sep, 2018