ICCVApr, 2021

表面 CNN 的场卷积

PDF
TL;DR本文介绍一种基于向量场的新型表面卷积操作器，在局部坐标参考点定义单一坐标参数化的代替方法下，组合相邻特征，结合了本质空间卷积和平行传输的散射操作，为卷积提供了新的定义方法，适用于表面上的 CNN，通过由残差场卷积模块构成的简单网络在形状分类、分割、对应和稀疏匹配等基本几何处理任务中实现了最先进的结果。
surface convolution operatorvector fieldsintrinsic spatial convolutionparallel transportcnns on surfaces
发现论文，激发创造
  • 通过重复微分实现神经场卷积

    本文介绍了一种使用经过训练的积分场实现大规模卷积的方法，用以弥补神经场作为连续信号表示方法而不易进行信号处理的问题。作者在各种数据模态和空间变化的核上演示了该方法。

    Apr, 2023

  • 使用旋转等变特征的曲面上的 CNN

    该论文提出了一种用于表面的网络架构，其中包含旋转等变的特征，以解决运输滤波器核时出现的旋转歧义问题。基于圆谐函数的卷积滤波器在离散层次上具有旋转等变性，将该方法应用于三角网中，并在形状对应和分类任务上进行了评估。

    Jun, 2020

  • PFCNN：使用平行帧的三维表面上的卷积神经网络

    通过平行帧场的工具，定义了 PFCNN 在表面网格上的应用。通过模拟标准的卷积方式，可以有效地实现表面网格上的特征学习。实验证明，在不使用比表面网格 CNN 更复杂的输入特征的情况下，PFCNN 在分类、分割、配准和场景分割等方面均实现了优异的性能。

    Aug, 2018

  • FPNN：用于 3D 数据的场探测神经网络

    通过使用体积场表示三维空间，使用场探测滤波器来高效地提取特征更为有效，与 3D CNNs 相比，在三维物体识别基准数据集的分类任务上展现出一流的性能。

    May, 2016

  • 非结构化网格上的球面卷积神经网络

    使用参数化的微分算子在非结构化网络上，通过替换传统的卷积核为可学习的加权微分算子，训练出性能优异、参数更少的神经网络，并在计算机视觉和气候科学任务上进行了广泛实验验证。

    Jan, 2019

  • 深层参数连续卷积神经网络

    本文提出了可操作非网格结构数据的一种新的可学习算子 —— 参数化连续卷积，并在室内外场景的点云分割和驾驶场景的激光雷达运动估计中实验证明，相较于现有技术有显著提升。

    Jan, 2021

  • 基于等变卷积的多向流动地球神经网络

    本文提出一种新的方法，可以在曲面上执行信号卷积，并展示其在各种几何深度学习应用中的效用。关键在于基于曲面定义的方向性函数，可以自然地与真实值模板函数进行卷积，并在神经网络的不同层之间保留所有旋转的信息，从而允许传播和关联定向信息。

    Oct, 2018

  • GeometricImageNet：将卷积神经网络扩展到矢量和张量图像

    通过对几何卷积、外积、张量索引收缩和张量索引排列的结合，我们提出了几何图像网络，可以更好地处理科学领域中粒子、向量和张量层面的图像信息。在小规模数值实验中，我们发现该网络具有很好的泛化性能，可以应用于宇宙学或海洋动力学等科学机器学习问题。

    May, 2023

  • ConvPoint: 基于连续卷积的点云处理

    本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。

    Apr, 2019

  • 基于球面 U-Net 的大脑皮层表面分割：方法和应用

    本文提出了一种基于球面卷积神经网络的方法，用于解决医学成像等领域中的结构具有球面拓扑结构的问题，应用于婴儿大脑皮层分割和皮层特征图开发预测等神经科学任务，效果显著。

    Apr, 2019