AAAIMay, 2020

SPIN: 结构保持内部偏移网络用于场景文本识别

PDF
TL;DR本研究介绍了一种可学习的几何无关模块 ——SPIN，该模块允许神经网络主动变换输入强度颜色，以解决场景文字识别任务中的色彩困难问题，并与现有的空间变换模块协同工作，实验结果表明，使用 SPIN 可以显著提高多个文本识别基准的性能。
scene text recognitionchromatic difficultieslearnable geometric-unrelated modulecolor manipulationtext recognition benchmarks
发现论文，激发创造
  • SPIN: 神经网络极性不变性简化应用于基于视觉的辐照度预测

    对图像进行极坐标变换后，利用卷积神经网络进行太阳辐射预测比进行数据旋转增广的方法具有更高的预测准确率和更短的训练时间。

    Nov, 2021

  • SpinNet：学习一种通用的三维点云表面描述符进行点云配准

    本文介绍了一个新的神经架构，称为 SpinNet，旨在提取旋转不变但足够信息丰富以达到精确配准的局部特征。通过空间点变换器和神经特征提取器，可以将输入局部表面映射到经过仔细设计的圆柱空间，并利用点卷积神经层和 3D 圆柱卷积神经层来提取紧凑且代表性的描述符进行匹配。在室内和室外数据集上进行的广泛实验表明，SpinNet 的性能优于现有的最先进技术，并在不同传感器模态下具有最佳的泛化能力。

    Nov, 2020

  • 半参数感知点网络和神经过程

    介绍了一种半参数感知网络 (SPIN) 的模型，该模型可以在推理时计算，使用了感应点方法中数据点的交互机制，可以支持元学习中的大区域数据，并取得了 state-of-the-art 的性能表现。

    May, 2022

  • SPINE: 结构保持归纳网络嵌入

    SPINE 是一种具有归纳性的网络嵌入方法，可以同时捕捉节点之间的局部距离和任意距离的结构信息，并能够有效地处理未见节点。该方法在基准数据集上取得了超越现有技术的结果。

    Feb, 2018

  • SPE-Net: 通过提高旋转鲁棒性增强点云分析

    本文提出了一种针对三维点云的新型深度架构，称为 SPE-Net，使用内嵌 “选择性位置编码（SPE）” 程序，依靠注意机制有效地关注输入的旋转条件，从而提高优化的性能和鲁棒性，并且相对于 SOTA 方法在旋转和非旋转的数据上都显示出明显的改善。

    Nov, 2022

  • 空间变换网络

    引入一种新的可学习模块 ——Spatial Transformer，能够在现有的卷积网络结构中显式地允许对数据进行空间操作，从而使得模型得以学习对于平移、缩放、旋转以及基于更一般的扭曲变换的不变性，其模型表现在多个基准测试数据集上达到了最先进的水平。

    Jun, 2015

  • SPIN Road Mapper：通过空间和交互空间图推理从航拍图像中提取道路以用于自动驾驶

    提出了一种基于 SPIN 模块和金字塔网络的道路识别方法，该方法可以从卫星图像中高效且准确地提取出道路信息，并且在训练时收敛速度快。

    Sep, 2021

  • 循环空间变换网络

    本文研究了如何将最近提出的空间变换网络（SPN）[Jaderberg et. al 2015] 集成到递归神经网络（RNN）中，形成一个 RNN-SPN 模型，用于对杂乱的 MNIST 序列中的数字进行分类。我们的模型通过对感兴趣的区域进行自适应降采样，从而取得了 1.5% 的错误率，表现优于使用卷积神经网络或卷积神经网络加上 SPN 层的方法。

    Sep, 2015

  • 一种快速的句法分析和句子理解统一模型

    SPINN 集成树形结构的句子解释和移位规约分析器的线性序列结构中，支持大规模 NLP 任务的批量计算，并且在 Stanford NLI 蕴含任务中表现优异。

    Mar, 2016

  • 一个关于等向网络参数共享的实证评估

    本研究旨在对等向网络 (SPIN) 进行经验性评价，提出了一种权值共享策略，并对权值共享的行为进行了定性研究。实验结果表明，该策略可以比传统缩放方法更有效地提高模型效率，例如在 ImageNet 数据集上将 ConvMixer 压缩 1.9x 并提高准确性

    Jul, 2022