快速行进能量卷积神经网络
本文提出了一种称为 “测地线卷积神经网络”(GCNN)的新型神经网络,可用于处理形状相关的任务,例如形状描述,检索以及匹配。GCNN 使用局部极坐标系中的局部测地线系统提取 “补丁”,通过一系列过滤器和线性非线性算子,来学习不变的形状特征,从而获得最先进的性能。
Jan, 2015
该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务,并相较于先前的手动特征点描述方法,展示了更佳的匹配结果。
Mar, 2018
该论文提出了一种新的图相似度度量方法,利用卷积神经网络和谱图理论概念,在不规则图上执行操作,通过对临床应用量身定制的图相似度度量方法,将 k-nn 分类器的性能提高了 11.9%。
Mar, 2017
本文提出了一种深度学习交互分割方法,通过将用户交互与 CNN 结合,使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性,并将用户交互作为硬约束集成到反向传播式 CRF 中,以实现在更高的精度下减少用户干预的目的。实验结果表明,与传统的交互式方法相比,该方法在自动 CNN 分割的基础上实现了大幅提升,并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。
Jul, 2017
该论文提出了一种考虑生成模型的几何特性的算法,它可以使得在潜变量表示中使用简单的聚类算法更加有效,同时提出了一种新的用于建模变分自编码器中不确定性的架构。实验表明,此算法能够反映数据的内部结构。
Sep, 2018
这篇论文提出了一个以卷积神经网络为基础的统一框架,以推广 CNN 的应用领域到非欧几里得结构的数据,如图形和流形,并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。
Nov, 2016
本文提出一种新颖的基于几何约束的局部描述符学习方法 ——GeoDesc,旨在改善学习局部描述符在图片三维重建中的泛化性能不足的问题。结果表明,GeoDesc 在各种大型基准测试中表现出优异的性能,并在具有挑战性的重建任务中显著成功。此外,本文提供了在 SfM 流水线中实际集成学习描述符的指南,展示了 GeoDesc 在精度和效率之间能够提供的良好平衡。
Jul, 2018
利用学习到的广义测地距离函数, LGGD 方法在图像处理、计算机图形学和计算机视觉领域中应用广泛,其在节点分类任务中具有改进的性能,并在真实图数据集上达到与最先进方法相竞争的结果,同时还展示了参数在图中广义测地方程中的可学习性以及新标签的动态包含能力。
Jul, 2024
本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上,通过度量权重约束来改进学习,从而使学习到的度量具有更好的通用性。实验表明,这两种策略能够有效地学习到鲁棒的深度度量,并且相应地,我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此,本文提出的研究可能对启发人员重识别的新深度模型的设计有用。
Nov, 2016