本文研究探讨卷积神经网络在人工智能领域的应用,并且探讨该类网络存在的问题和局限性,提出使用奇异值分解方法可以分析卷积神经网络中涉及到的非人类因素,从而对其产生作用的原因展开研究。同时提出了一种新的特征分配方法,建立了卷积神经网络的理论框架。
Dec, 2020
该研究提出了一种基于耦合群卷积的旋转、缩放和平移等变卷积神经网络 RST-CNN,该网络通过稳定性分析可证明具有变形鲁棒性,能在旋转、缩放和平移等输入畸变的情况下保持等变性,从而在 MNIST、Fashion-MNIST 和 STL-10 数据集上实现了显著提升。
Nov, 2021
本研究分析了卷积神经网络(CNN)在球形图像分类和语义分割中旋转等价性的角色,并以 MNIST 和 FashionMNIST 数据集为基础,比较了 S2CNNs 和标准非等变 CNNs 的性能与推理时间等因素的权衡考虑。研究发现,对于固有的旋转不变的任务,通过大幅增加数据扩增和网络规模,标准 CNNs 可以达到与等变网络至少同样的性能,而对于固有的等变任务,非等变网络始终无法达到等变网络的性能水平。
Feb, 2022
卷积神经网络 (CNN) 在各种计算机视觉任务中提供了最先进的性能。本文研究如何在 CNN 中最佳地包括旋转不变性以进行图像分类,并通过数据增强等方法训练网络以实现旋转不变性。
Oct, 2023
本文提出了一种预分类器恢复器,以恢复被平移(甚至旋转)后的输入到原始输入,该恢复器基于用于张量空间上的平移等变的充分必要条件。
Jun, 2023
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
介绍了一种使用可控滤波器建立尺度等变卷积网络的通用理论,并将其他常见块推广为尺度等变块,此方法具有计算效率和数值稳定性,同时在 MNIST-scale 数据集和 STL-10 数据集中实现了领先水平的分类结果。
Oct, 2019
本论文提出一种基于动态卷积的网络 ——UDVD,可以处理不同来源和类型的降级,相比现有的模型,UDVD 的效果更为优越和广泛。在合成和真实图像上的实验证实了这一点。
Apr, 2020
本文介绍了一种基于可平移、可旋转等变性的创新神经网络结构,采用可旋转滤波器和群卷积实现了对变换的兼容性,使用改进的权重初始化方案来提高准确率,在旋转 MNIST 基准测试和 ISBI 2012 2D EM 语义分割挑战中取得了良好表现。
Nov, 2017
本文介绍一种使用群等变卷积神经网络来解决逆问题的学习重建方法,通过在迭代方法中建立群等变卷积神经网络解决拉伸同变的问题,实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。
Feb, 2021