自旋加权球面卷积神经网络
论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题,进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法,同时还实现了一种用于谱域的新型池化技术,这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。
Nov, 2017
提出了一种广义的球形卷积神经网络框架,其中包括了各种现有方法,并允许它们同时被利用。通过开发两个新的严格相等层,其复杂度已经被降至可行水平,使球形 CNNs 的更大、更具表现力模型能够被计算出来。通过这些发展,展示了对于球形基准问题,能够构建更具表现力的混合模型,达到最新的精度和参数效率。
Oct, 2020
这篇研究论文介绍了如何通过提出新的模型组件、实现核心操作以及应用特定输入表示等关键改进来扩展球面 CNN,使其可用于更大规模的问题并在 QM9 分子基准测试的多个目标上达到最新水平,在多个天气预测任务中实现竞争性表现。
Jun, 2023
本文介绍了一种新的网络结构 —— 球面卷积网络,用于处理具有旋转不变性的分类问题,并通过在球面上进行卷积和旋转权重共享来实现旋转等变性。实验结果表明,球面卷积网络在处理类似于 MNIST 的数据集时具有很高的准确率。
Sep, 2017
通过将离散化球体建模为图形,我们可以容纳非均匀分布、部分和变化的采样。此外,图形卷积比球形卷积计算效率更高。通过使用 Defferrard 等人(2016)介绍的图形神经网络,我们讨论了如何实现旋转等变性,在旋转不变学习问题上表现良好。
Apr, 2019
本研究提出了一种基于球面构建的扩散网络来处理球面数据,该网络具有旋转等变性和计算可扩展性,并且可以与卷积神经网络(CNNs)相结合,使其可以适用于具有高分辨率球面信号的实际应用中。
Feb, 2021
本文提出了一种卷积网络,它对刚体运动具有等变性。使用 3D 欧几里得空间上的标量场、向量场和张量场来表示数据,并使用等变卷积在这些表示之间映射。实验结果验证了 3D Steerable CNN 对氨基酸倾向预测和蛋白质结构分类等问题的有效性,这些问题均具有 SE(3)对称性。
Jul, 2018
本研究探讨了等变网络在断层扫描成像应用中的重要性,通过解决卷积神经网络在医学成像系统后处理中的局限性,引入了一种能够减少对特定训练集依赖的等变网络,并验证了球面信号上球面卷积神经网络 (SCNNs) 在去噪和重建基准问题中的优越质量和计算效率,同时利用 SCNNs 作为传统图像重建工具的补充方法,提高成像结果质量并降低对训练集的依赖,本研究观察到 SCNNs 与 CNNs 相比,在保持相同或更高的图像处理质量的同时,显著降低了计算成本,并初步探索了其在更广泛断层扫描成像应用中的潜能,特别是那些需要全方位表示的应用。
Jul, 2023