可学习的小波神经网络用于宇宙学推断
我们引入了一种两层小波散射网络,可用于物体分类,该两层卷积网络不涉及学习和最大池化,通过初始化第一层的小波滤波器,能够在形态物体变量和杂波等复杂图像数据集上高效执行。
Dec, 2013
本文介绍了一种基于仿射不变性和微分同胚稳定性的 Geometric Scattering Transform 方法,可以使卷积神经网络在流形和图结构领域中更具有普适性和稳定性。
May, 2019
该研究将散射变换(scattering transform)推广到图像上并在此基础上构建了图卷积神经网络(convolutional neural network on graphs),证明了在特定条件下,该网络生成的任何特征对排列的变化具有近似不变性(invariance)和对图像操作的稳定性,并在相关数据集上展现出卓越的性能(numerical results)。
Mar, 2018
利用卷积神经网络能够从弱引力透镜生成的汇聚度图中提取信息,比功率谱方法能够更加严格地约束宇宙学参数而且能够提取弱引力透镜地图中的非高斯信息。
Feb, 2019
使用改进的 CNN 算法和基于峰值计数的易于理解方法,可以更好地估计弱引力透镜映射的余量参数和标准差,并提取更多的高阶统计信息,这在研究宇宙学和暗物质中非常有帮助。
Jun, 2018
本文提出了一种用 DTCWT ScatterNet 卷积神经网络来改善训练的方法,通过将 CNN 的前几层替换为参数基于 log 的 DTCWT ScatterNet,可以提取基于边缘的不变表示,从而使后续的 CNN 网络学习更高层次的特征。在 CIFAR-10 和 Caltech-101 数据集上,该方法的训练效率得到了显著提升,并且与预训练的 CNN 前端相比等效性能。
Aug, 2017
本文介绍了在网络数据中使用多分辨率图形小波的散射变换,并证明了生成的散射变换对底层网络度量摄动的稳定性。这使得图形散射变换变得稳健,特别适用于转移学习、拓扑估计或时变图的情况。
Jun, 2019
本文使用卷积神经网络 (Convolutional Neural Networks, CNN) 分析了 KiDS-450 力学弱引力透镜数据集中的弱引力透镜质量映射,得出了对宇宙的总物质密度,波动幅度以及内在对齐振幅的限制性结果,并与基于功率谱分析得出的结果进行了比较,证明了使用深度学习进行未来宇宙学数据分析的良好前景。
Jun, 2019