Dec, 2022

EuclidNet：几何可构问题的深度视觉推理

PDF
TL;DR本文介绍了一个基于深度学习的 EuclidNet 框架，通过视觉推理解决几何构造问题，特别适用于自动化几何定理证明；该框架使用神经网络架构 Mask R-CNN 从初始设置和目标配置中提取视觉特征，并生成可能的构造步骤作为中间数据模型，并反复重复这个过程，直到问题得到解决或被识别为不可解决。最后使用回溯方式得到一个逐步构造指南，并使用日本 Sangaku 几何难题验证了 EuclidNet 框架的有效性。
发现论文，激发创造
  • 使用几何感知循环网络学习空间常识

    这篇论文提出了一种通过结合几何学和深度视觉表示学习的思想，将其嵌入移动视觉场景理解的递归网络架构中，以学习如何将 2D 视觉特征整合到场景的潜在 3D 特征映射中，通过不同 iable 几何操作进行预测和分割，十分成功。

    Dec, 2018

  • UCLID-Net: 物体空间中的单视角重建

    本文提出了一种新的深度几何学习方法，通过构建保留欧几里得空间结构的三维潜在空间，可以提高网络在形状识别和重建上的性能，并且在 ShapeNet 和真实世界数据集上表现优于目前最先进的方法，并且能够自然而然地扩展到多视角重建。

    Jun, 2020

  • 学习几何感知抓取的连续三维重建

    本文提出了一种基于学习的 3D 重建技术，以实现机器人夹抓系统中的几何感知，并通过 96 次机器人夹抓试验来验证了这种技术对于夹抓度量和识别非预期接触具有积极意义。

    Oct, 2019

  • 面向活动视觉识别的几何感知循环神经网络

    该研究介绍了使用递归的几何感知神经网络，将一个场景的多个视图中的视觉信息整合到 3D 潜在特征张量中，并直接使用构建的 3D 特征存储器进行物体检测、物体分割和 3D 重建。

    Nov, 2018

  • 使用深度神经网络学习不变的黎曼几何表征

    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

  • 几何图像合成

    本研究提出了一种可训练的、基于几何感知的图像生成方法，利用几何和分割等场景信息生成逼真自然、符合期望的场景结构的图像，并通过 GIS 框架插入驾驶场景中的车辆、生成来自 Linemod 数据集的物体新视角，展示其能够广泛适用于新颖的场景、物体形状和分割，且可用于合成大量训练数据以训练实例分割模型。

    Sep, 2018

  • 用于单图像新视角合成的几何感知深度网络

    本文提出了一种利用场景 3D 几何信息进行新视角生成的方法，通过学习区域感知几何转换网络实现输入图像到目标视角的变换，并在 KITTI 和 ScanNet 数据集上取得了优于现有方法的高质量生成效果。

    Apr, 2018

  • 几何感知神经网络

    提出了几何信息神经网络（GINN）的概念，该网络涵盖了在几何约束下的学习、神经场作为合适的表示以及在几何任务中遇到的欠定系统的多样化解决方案生成。 GINN 公式不需要训练数据，并且可以被认为是完全由约束驱动的生成建模。 将显式多样性损失添加到减轻模式崩溃。 考虑到几何成分的连通性等多种约束，并通过莫尔斯理论将其转化为可微的损失。 通过实验证明了 GINN 学习范式在二维和三维场景中的有效性，场景复杂性逐渐增加。

    Feb, 2024

  • LightGCNet: 基于几何构造的轻量级神经网络用于数据驱动的软传感器

    基于深度学习的轻量级几何构造神经网络 LightGCNet 通过空间几何分析证明了其具有通用逼近性质，并通过节点池策略和空间几何关系优化隐藏参数的分配过程，提高了解释性和处理优化能力。在基准数据集和矿石磨粉过程中的模拟结果表明，LightGCNet 在网络规模小、学习速度快和泛化能力强方面具有显著优点。

    Dec, 2023

  • 三维分子图形的几何完整感知机网络

    介绍了一种新的 GCPNet 图神经网络，其具有 SE (3) 置换对称性，用于 3D 分子图形表示学习，在蛋白质 - 配体结合亲和力预测，蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。

    Nov, 2022