DAGrid:有向累加器网格
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
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
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
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
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
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
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
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