Sep, 2023

可微的算术分布模块实现的仿射变换不变的图像分类

PDF
TL;DR本研究通过结合分布学习技术设计了一个更稳健的模块，重点关注图像像素的空间分布信息，以解决卷积神经网络在旋转、平移、翻转和混洗等仿射变换下容易受到影响的问题。通过采用核密度估计构建可微分的直方图，提出了一种新颖的可微分算术分布模块 (DADM)，能够从图像中提取内在的概率分布。该方法能够增强模型对仿射变换的鲁棒性，同时保持其特征提取能力，从而弥合传统卷积神经网络与基于分布学习的方法之间的差距。通过消融实验和与 LeNet 的对比实验证明了所提方法的有效性。
convolutional neural networksaffine transformationsdistribution learning techniqueskernel density estimationdifferentiable arithmetic distribution module
发现论文，激发创造
  • 基于算术分布神经网络的通用背景减除

    该研究提出了一种基于算术分布神经网络（ADNN）的通用背景减除框架，利用算术分布层来学习时间像素的分布，并通过邻域信息和 GPU 实现的改进贝叶斯精化模型来提高准确性。研究结果表明，该方法在背景减除领域具有优越性。

    Apr, 2021

  • Adv-KD: 教师对抗知识蒸馏以加速扩散采样

    通过将去噪步骤直接整合到模型的架构中，本研究提出了一种新方法，将扩散模型与生成对抗网络结合起来，通过知识蒸馏实现更高效的训练和评估，从而减少了所需的参数和去噪步骤，提高了测试时的采样速度。

    May, 2024

  • 差分隐私潜在扩散模型

    研究训练以潜在空间作为输入的 LDM 的方法，与传统的 Diffusion Models 相比，通过使用预训练的自动编码器将高维像素空间降为低维潜在空间，大大提高了训练效率，并使用隐私保护的方式对不同维度的注意力模型进行训练以减少可调参数，最终的实验结果表明该方法在生成高质量合成图像时表现突出。

    May, 2023

  • 对抗去噪扩散模型用于无监督异常检测

    本文提出了基于敌对去噪扩散模型（ADDM）的研究。ADDM 基于去噪扩散概率模型（DDPM），并通过敌对学习进行互补训练。实验结果表明，ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。

    Dec, 2023

  • ADASSM：来自图像的统计形状模型的对抗性数据增强

    基于深度学习模型的图像到统计形状模型 (Image-to-SSM) 的在线数据增强框架通过引入数据相关噪声生成或纹理增强，提供了改进的准确性，使模型能够关注底层几何形状而不仅仅依赖像素值。

    Jul, 2023

  • 动态分布自适应的迁移学习

    本文提出了一种名为 DDA（动态分布适应）的新概念，可以对每个分布的相对重要性进行定量评估并解决传输学习问题，进而提出两种新的学习算法 MDDA 和 DDAN，得到了显著改善传输学习性能的结果。

    Sep, 2019

  • 通过对抗性噪声实现扩散模型中的高效迁移学习

    本文提出了一种基于 DPMs 的迁移学习方法 TAN，通过相似性引导训练和对抗性噪声选择两种策略，解决了数据有限的问题，实验表明相比现有的基于 GAN 和 DDPM 的方法，我们的方法在图像质量和多样性方面表现出色且高效。

    Aug, 2023

  • 稳定扩散提高对抗转移性

    该研究探讨了使用 Stable Diffusion 生成的数据来增强对抗攻击的传递性，提出了一种基于 Stable Diffusion 的新型攻击方法，并提供了一个快速变体，通过实验证明该方法在对抗性传递性方面优于现有方法，并且与现有的基于传递的攻击方法相兼容。

    Nov, 2023

  • 用于少样本学习的非对称分布度量

    提出了一种新颖的基于度量的小样本学习方法，即使用不对称分布度量、局部和全局不对称度量和对比度量策略的非对称分布度量网络 (ADM)，在 miniImageNet 和 tieredImageNet 等数据集上分别实现了 5-way 1-shot 任务上的 3.02% 和 1.56% 的精度提升。

    Feb, 2020

  • 平衡行为：扩散模型中的分布导向去偏

    提出了一种无需额外数据或模型重新训练的去偏置方法，利用属性分布引导生成的图像，通过 Attribute Distribution Predictor（ADP）建立属性分布预测器，从而实现公平生成，并通过生成数据平衡训练集来训练公平属性分类器。

    Feb, 2024