Jun, 2023

DAGrid：有向累加器网格

PDF
TL;DR该研究通过设计采样网格和参数化几何先验来实现像素级稠密预测，提出了 Directed Accumulator Grid (DAGrid)，并发现在医学图像识别中和小型不平衡数据集方面，采用 DAGrid 可以显著提高识别性能。
发现论文，激发创造
  • 面场景标签化的 DAG - 循环神经网络

    本文介绍了使用循环神经网络处理有向无环图结构的图像标注，并结合卷积与反卷积层，使用提出的珍稀类别加权函数增强了局部表示的判别能力，取得了 SiftFlow、CamVid 和 Barcelona 基准测试的最新最佳结果。

    Sep, 2015

  • 超越固定网格：使用可变形网格学习几何图像表示

    通过构建 Deformable Grid 替代卷积神经网络中的传统池化层，可以更好地对齐高频图像内容，从而在语义分割和对象蒙版注释等任务中获得更准确的结果。

    Aug, 2020

  • 有向无环图神经网络

    本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

    Jan, 2021

  • 异构网格卷积：适应性、高效性和可控计算

    通过生成一种数据自适应的图形结构并利用方向感知图形卷积，本文提出了一种新型的异构网络卷积模型，并在四个图像理解任务上进行了评估。

    Apr, 2021

  • 有向无环图上的卷积学习

    我们开发了一种新颖的卷积结构，专门用于从有向无环图 (DAGs) 的数据中学习。通过 DAGs，我们可以建模变量之间的因果关系，但它们的幂零邻接矩阵给开发 DAG 信号处理和机器学习工具带来了独特挑战。为了解决这个限制，我们利用了近期的进展，提供了 DAG 上信号的因果转变和卷积的备选定义。我们开发了一种新颖的卷积图神经网络，集成了可学习的 DAG 滤波器，以考虑图拓扑引起的部分排序，从而为学习 DAG 支持数据的有效表示提供了有价值的归纳偏见。我们讨论了所提出的 DAG 卷积网络（DCN）的显著优势和潜在限制，并使用合成数据在两个学习任务中评估其性能：网络扩散估计和源识别。DCN 相对于几个基线表现出有利的比较，展示了它的潜力。

    May, 2024

  • 面向语义图像分割的领域自适应和泛化网络结构及训练策略

    该研究提出两种新的神经网络框架（DAFormer 和 HRDA）来解决在未标记或不可见目标域上使用源域模型的问题，以提高无监督领域适应和领域泛化的性能，并在多个基准测试中取得了显著的改进。

    Apr, 2023

  • 利用 VDB 网格和分层光线追踪加速基于占据格的 NeRF 渲染

    使用两种技术改进射线追踪的效率，通过用变分网格替换密集网格和使用分层数字微分分析器追踪体素，成功加速渲染 NeRF 数据集，而不损失渲染图像的质量。

    Apr, 2024

  • 3DILG：用于三维生成建模的非规则潜在格

    通过使用神经场，利用三维空间内不规则的栅格表征方法，提高了点云形状重构以及生成模型的精确性和质量， 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中，实现了有关 3D 形状建模的革新工作。

    May, 2022

  • 多重网格神经架构

    本研究提出了一种基于多重网格结构的卷积神经网络，能够在不同尺度空间上操作输入和输出，实现任务的动态路由和内部注意力机制，以及通过逐级概括将上下文信息融合到网络中。在分类和语义分割等多项任务中得到了相对较好的表现表明，相对于传统的基于单一网格的卷积神经网络结构，基于多重网格的设计方案更加高效且灵活。

    Nov, 2016

  • 基于网格的神经场模型的归纳增强

    该论文介绍了一种基于网格的模型的理论框架，并提出了一种名为 MulFAGrid 的新型基于网格的模型，该模型在各种任务中展示了卓越的表征能力和较低的泛化性能。

    Mar, 2024