Jul, 2023

Riesz 特征表示：尺度平移不变散射网络用于分类任务

PDF
TL;DR本文通过 Riesz 变换定义了另一种特征表示方法，继承了其尺度等变性，完全避免了尺度维度的采样，并通过纹理分类和数字分类任务的实验证明了其优越性。
scattering networksscale equivarianceriesz transformtexture classificationdigit classification
发现论文，激发创造
  • Riesz 网络：单次前向传递中的尺度不变神经网络

    介绍了 Riesz 神经网络，它基于 Riesz 变换而不是标准的卷积操作，从而实现了尺度不变性，可以应用于检测和分割具有不同裂纹厚度的混凝土断面的层析成像数据。

    May, 2023

  • 不变散射卷积网络

    利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。

    Mar, 2012

  • 旋转 - 尺度等变可操控滤波器

    本研究提出了一种基于可旋转和可缩放等变性的可旋转和可缩放等变滤波器 (RSESF)，用于数字组织病理学图像分析，实验证明该方法优于其他方法，并且训练参数更少，需要的 GPU 资源更少。

    Apr, 2023

  • 卷积神经网络中的向量场尺度等变性

    研究注入本地规模等变性对卷积神经网络的影响，通过在多个尺度上应用每个卷积滤波器来实现。输出是一个向量场编码，用于表示最大激活尺度和尺度本身，这进一步由以下卷积层进行处理。这可使所有中间表示在本地上成为规模等变的。研究发现，这种方法在 MNIST 数字的随机缩放因素回归等已知规模等变任务中会显着提高模型性能超过 20％。此外，还发现该方法对于实际随机缩放数字的分类等尺度不变任务也有用。

    Jul, 2018

  • 深度尺度空间：尺度等变性

    介绍了深度尺度空间 (DSS)，一种卷积神经网络的推广，利用传统图像识别任务的尺度对称结构。在构建尺度等变的互相关基础上，可以在几乎任何现代深度学习架构中以即插即用的方式使用。通过应用于 Patch Camelyon 和 Cityscapes 数据集，证明了其实用性和高效性，并进行自省研究以进一步了解其性质。

    May, 2019

  • 具有傅立叶层的真正尺度相等深度神经网络

    在计算机视觉中，为了有效地执行图像分割等任务，模型必须能够适应图像分辨率的变化，这被称为尺度等变性。最近的研究通过权重共享和内核调整等方式，取得了在发展尺度等变性卷积神经网络方面的进展。然而，在实践中，这些网络并不是真正的尺度等变性的。为了解决这个问题，我们直接在离散域中考虑了抗锯齿，并提出了一种基于傅里叶层的新型架构，以实现真正的尺度等变深度网络，即绝对零等变误差。在先前的研究基础上，我们对 MNIST-scale 和 STL-10 数据集上测试了这个模型。我们提出的模型在保持零等变误差的同时，实现了有竞争力的分类性能。

    Nov, 2023

  • 利用类似卷积实现网络的尺度和旋转等变性增强

    本文提出了一种方法，通过使用可缩放的傅里叶 - 阿甘德表示法和类似卷积的操作来实现卷积神经网络对于平移、旋转和缩放的同时等变性，并验证了该方法在图像分类任务方面的有效性和对缩放和旋转输入的泛化能力。

    Mar, 2023

  • 尺度等变可转移网络

    介绍了一种使用可控滤波器建立尺度等变卷积网络的通用理论，并将其他常见块推广为尺度等变块，此方法具有计算效率和数值稳定性，同时在 MNIST-scale 数据集和 STL-10 数据集中实现了领先水平的分类结果。

    Oct, 2019

  • 通过测量等变性和等价性来理解图像表示

    本文探讨了图像表示的数学属性，如同变性，不变性和等价性等，提出了多种方法来实现这些属性，并应用到流行的表示中来揭示其结构的有益方面。

    Nov, 2014

  • 三维数据尺度等变深度学习

    本文介绍了一种针对三维数据的尺度等变卷积神经网络层，可以在医学图像分割中实现尺度等变，相关的实验证明了该方法的有效性。

    Apr, 2023