填充感知神经元
本文提出了一种新型卷积操作叫做像素自适应卷积 (PAC),其通过学习本地像素特征来修改传统卷积操作,此方法适用于多种应用场景,具有优异的性能表现,包括使用 PAC 进行深度图像上采样、使用 PAC-CRF 替代 Full-CRF 等。同时,本文还证明了在预训练网络中使用 PAC 操作可以提高网络性能。
Apr, 2019
本文提出了一种全新的神经元模型,称为 Pade neurons(Paons),受到 Pade approximants 的启发,Paons 是所有其他提出的神经元模型的超集。通过将 ResNet 扩展为 PadeNet(由 Paons 构建),我们证明了这个概念。我们在单图像超分辨率任务上的实验证明,PadeNets 可以比竞争架构获得更好的结果。
Mar, 2024
本论文研究了卷积神经网络(CNNs)中位置信息的编码方式和其对语义表征的影响,通过设计新颖的任务和语义目标测试终止边界对语义表征的影响,揭示零填充驱动 CNNs 在其内部表征中进行位置信息编码的新发现,并证明位置信息既可以帮助也可以阻碍性能。
Jan, 2021
本文提出了一种名为 PP-Pad 的新型填充方法,该方法可以进行每个任务的填充值的端到端训练,从而取代了零填充方法,同时还提出了一种评估模型平移不变性的新方法,在一个语义分割任务中,这种方法实现了比以往方法更高的精度和平移不变性。
Jul, 2023
本文提出一种简单但有效的填充方案作为现有卷积神经网络的模块,我们将其称为基于部分卷积的填充,具有在卷积操作中根据填充区域和卷积滑动窗口面积的比率重新加权的功能,在 Imagenet 分类和语义分割测试中表现出比标准零填充更好的准确性。
Nov, 2018
我们在这项工作中展示了对抗攻击经常在图像边界产生扰动异常,而图像边界正是使用 padding 的区域;因此,我们旨在分析 padding 与对抗攻击之间的相互作用,并探讨不同 padding 模式(或其缺失)对各种情境下的对抗鲁棒性的影响。
Aug, 2023
本文提出了一种基于路径积分方法的最大熵转移矩阵,称为 PAN 框架,该框架替代了通常用于图结构数据的图拉普拉斯卷积,可以有效提高图神经网络的学习效果和收敛速度,同时在基准测试任务上达到了最先进的性能水平。
Apr, 2019