本文提出了一种称为“测地线卷积神经网络”(GCNN)的新型神经网络,可用于处理形状相关的任务,例如形状描述,检索以及匹配。GCNN使用局部极坐标系中的局部测地线系统提取“补丁”,通过一系列过滤器和线性非线性算子,来学习不变的形状特征,从而获得最先进的性能。
Jan, 2015
本文提出了一种面向流形训练深度神经网络的通用框架,利用切空间和指数映射,将最终输出元素在Riemann流形上的深度神经网络的训练问题转化为当前深度学习研究的问题,在多类图像分类和人脸图像回归上显示出改进后的性能。
Aug, 2017
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
本研究提出了关于群等变卷积神经网络(G-CNNs)在同种空间如欧几里德空间和球面上的总体理论。这些网络中的特征映射表示同种基本空间上的场,层是场空间之间的等变映射。该理论使得所有现有的G-CNNs都能按照它们的对称群、基础空间和场类型进行系统分类。我们还考虑了一个根本性问题:什么是给定类型的特征空间(场)之间等变线性映射的最普遍类型?我们证明这样的映射与使用等变核进行卷积一一对应,并且表征了这些核的空间。
Nov, 2018
本研究提出了一种基于变换对称性等效性原则的神经网络架构设计方法,并将此原则扩展至局部规范变换领域,以实现在流形上的卷积神经网络,提高了全景图像与全球气候图案分割等任务的性能。
Feb, 2019
本文提出了一种基于等规反变的网络结构,使用各向异性卷积核来应用于网格类型数据,得到了比传统的卷积神经网络更加显著的效果。
Mar, 2020
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
本篇论文对G任意紧致群下可转向核空间进行了全面的研究,通过将可转向核空间和量子力学中的球张量算符进行类比,广义化了著名的Wigner-Eckart定理,证明了可转向核空间可由广义约化矩阵元,Clebsch-Gordan系数和单群空间上的谐函数完全理解和参数化。
Oct, 2020
本研究提出一种新型的基于Riemannian同质空间函数样本的高阶Volterra卷积神经网络(VolterraNet),实现了对模型的对称性以及卷积操作的泛化,在有关分类任务的实验中,与其他先进模型相比,取得了较好的性能,为传统卷积神经网络提供了新思路。
Jun, 2021
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