May, 2022

分层球形卷积神经网络与基于提升的自适应小波池化和反池化

PDF
TL;DR本文提出了一种新的 HS-CNN 框架，名为 LiftHS-CNN，其采用可学习的 lifting 结构来学习自适应的球面小波用于汇聚和反汇聚，以实现更高效的层次化特征学习。
hierarchical spherical convolutional neural networksadaptive spherical waveletslifting structurepoolingunpooling
发现论文，激发创造
  • LiftPool: 双向卷积神经网络池化

    本文提出了 LiftPool 池化方法，实现了双向池化层，包括 LiftDownPool 与 LiftUpPool。LiftDownPool 将特征图分解成多个不同频率信息的下采样子带，通过 LiftUpPool 进行精细化上采样并保留显著细节信息，本研究在图像分类和语义分割等方面达到了更好的性能，同时具有更好的健壮性。

    Apr, 2021

  • 多级小波卷积神经网络

    本文提出了一种多级小波卷积神经网络 (MWCNN) 模型，通过将小波变换嵌入到 CNN 体系结构中，以在减少特征映射分辨率和增加感受野之间实现更好的权衡，以实现图像去噪、单图像超分辨率、JPEG 图像伪影去除和物体分类等任务的有效性。

    Jul, 2019

  • 带有结构学习的层次图池化

    本文提出了一种新的 Hierarchical Graph Pooling with Structure Learning (HGP-SL) 图池化算子来生成图结构的分层表示，并将其与图神经网络相结合，专注于图分类任务。通过实验结果表明，这种方法在六个广泛应用的基准测试中均取得了良好的效果。

    Nov, 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

  • 小波卷积神经网络

    我们提出了一种新的 CNN 架构，Wavelet CNN 结合多分辨率分析和 CNNs 成为一个模型，在图像分类和图像注释等任务中，它比传统 CNN 具有更好的性能与较少的参数。

    May, 2018

  • 学习的基于提升的变换结构在完全可扩展和可访问的小波图像压缩中的应用探索

    通过对多种神经网络与基于 lifting 的小波变换相结合的方式的特性和性能的全面研究，本文提出了一种学习到的类似小波变换，相比 JPEG 2000 在紧凑空间支持下实现了超过 25% 的比特率节省。

    Feb, 2024

  • Haar 图形池化

    本文提出一种新的基于小波压缩的图池化技术 —HaarPooling，用于 Deep Graph Neural Networks 中的图分类和回归问题，实现了数据的稀疏表征和结构信息的保留，使 GNNs 在各种图分类和回归问题上达到了最先进的性能。

    Sep, 2019

  • 图像恢复的多层小波 - CNN

    本文提出了一种新的多层小波卷积神经网络（MWCNN）模型来更好地平衡感受野大小和计算效率，通过引入小波变换来减小收缩子网络中特征映射的大小并降低通道数，再使用反向小波变换来重建高分辨率特征映射，该模型可应用于许多图像修复任务，实验结果表明其有效性。

    May, 2018

  • 具有 EigenPooling 的图卷积网络

    本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

    Apr, 2019

  • 深度卷积激活特征的多尺度无序池化

    本文介绍了一种简单但有效的方案 —— 多尺度无序池（MOP-CNN），该方案提取多尺度下局部块的 CNN 激活，对每个尺度单独进行无序 VLAD 池化并将结果串联，从而提高了 CNN 激活的不变性和识别性能，并在图像分类等监督或非监督识别任务中表现出色。

    Mar, 2014