Jun, 2023

卷积神经网络中的全局局部处理

PDF
TL;DR本文提出了一种简单而有效的全局优势流 (Global Advantage Stream, GAS) 模块，以学习和捕捉输入样本的整体特征，并将 GAS 特征与 CNN 网络结合作为插件组件，被称为全局 / 局部处理 (Global/Local Processing, GLP) 模型，结果表明，该流通过提高准确性和使网络更加抗干扰，学习了更综合和贴近健康人知觉系统的表示。
convolutional neural networkslocal featuresglobal advantage streamglobal/local processingadversarial attacks
发现论文，激发创造
  • 上下文门控卷积

    该论文提出了一种基于全局上下文动态调整卷积层权重的上下文门控卷积（CGC）方法，旨在更好地提取本地模式和生成区分特征，经过大量实验，该方法在图像分类、动作识别和机器翻译等任务上均有显著的性能提升。

    Oct, 2019

  • 重温卷积神经网络：用于城市范围内的人群流量分析

    本文提出了一种名为 DeepLGR 的新型框架，以有效应对城市范围内人流量分析面临的挑战。该框架包含局部特征提取模块、全局上下文模块和基于张量分解的区域特定预测器，具有较高的效率、稳定性和泛化性能，能够有效学习全局空间关系和区域潜在功能。

    Feb, 2020

  • 使用局部和全局扩散学习时空表示

    本文介绍了一种通过局部和全局扩散来增强时空表示学习的新框架，其网络结构由 LGD 块组成，通过模拟这两种表示之间的扩散来更新局部和全局特征，并引入核分类器将两个方面的表示相结合，在视频识别中取得了 3.5％和 0.7％的性能提升。

    Jun, 2019

  • 大规模可学习的图卷积网络

    通过使用可学习的图卷积层 (LGCL) 和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

    Aug, 2018

  • 使用图卷积神经网络统一局部与非局部信号处理

    本文提出一种基于图卷积神经网络的本地和非本地信号处理的统一框架，并通过卷积层采用变量输入，从而使网络能够适应图结构的变化，进而设计了一种新的风格迁移方法。

    Feb, 2017

  • 可以最终模拟本地结构的图卷积

    我们提出了一种很简单的方法来修改 GIN 卷积，以便使网络可以检测到很小的环，这对于在化学上下文中对图形子结构进行分析的下游任务非常重要。在真实的分子属性数据集上进行测试，我们的模型始终改善了大型多任务数据集的性能，无论是在全局还是在每个任务的设置中。

    Nov, 2020

  • 基于节点可变图滤波器的卷积神经网络

    本文介绍了一种基于图的 CNN 架构，采用节点变化的 GF 代替传统卷积，通过局部操作提取不同的本地特征，以解决在不规则域中信号处理的问题，并在综合实验中进行了测试。

    Oct, 2017

  • 图神经网络从结构信息中可得证明的益处：视作特征学习角度

    本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。

    Jun, 2023

  • 通过惩罚局部预测能力学习稳健的全局表示

    本文提出了一种训练且具有鲁棒性的卷积神经网络的方法，通过惩罚较早层所学习的局部表示的预测能力，迫使网络丢弃色彩和纹理等可从局部感受野中获取的预测信号，并依靠图像的全局结构。在一系列综合性和基准领域适应任务中，我们的方法使泛化能力得到了改善。我们还引入了一个新的数据集 ImageNet-Sketch，以评估跨域传输。

    May, 2019

  • 使用图卷积神经网络进行图像去噪

    本文中，作者提出了一种使用图卷积层的卷积神经网络，以利用局部和非局部相似性以实现去噪任务，并取得了比传统卷积神经网络更好的效果。

    May, 2019