训练无限制的顺序离散形态神经网络的算法

Oct, 2023

训练无限制的顺序离散形态神经网络的算法

An Algorithm to Train Unrestricted Sequential Discrete Morphological Neural Networks

Diego Marcondes, Mariana Feldman, Junior Barrera

TL;DR用离散形态神经网络（DMNN）进行二进制图像转换，表示具有特定特性的 W 算子，并通过机器学习来估计它们，同时提出了一种用于学习无限制顺序 DMNN（USDMNN）的算法。

Abstract

With the advent of deep learning, there have been attempts to insert mathematical morphology (MM) operators into convolutional neural networks (CNN), and the most successful endeavor to date has been the morphological neural networks (MNN). Although MNN have performed better than CNN i

mathematical morphology morphological neural networks binary image transformation discrete morphological neural networks unrestricted sequential dmnn

发现论文，激发创造

离散形态神经网络

提出了离散形态神经网络（DMNN）用于二值图像分析以表示 W 算子并通过机器学习进行估计的经典方法。

Sep, 2023

精确二值形态神经网络的基础

通过数学形态学（MM）实现全结合卷积神经网络（ConvNets）的二值化，并提出两种新的近似方法以及鲁棒的理论框架来改进其优化。同时，引入正则化损失以提高网络的性能。

Jan, 2024

使用梯度下降训练形态神经网络：一些理论洞见

研究了基于差分和反向传播的形态学网络的潜力和限制，尤其是在初始化和学习速率方面的理论指导，以解决当形态学网络层数增加时的训练困难。

Feb, 2024

大核心超材料神经网络的数字建模

提出了一种新颖的大卷积核变形材料神经网络（LMNN），通过模型重新参数化和网络压缩来最大化最先进的元件网络（MNN）的数字容量，并明确考虑了光学限制，实验结果证明这种优化的混合设计提高了分类准确性同时减少了计算延迟。

Jul, 2023

DMN4: 利用判别式相互最近邻神经网络进行少样本学习

本文提出了一种用于 Few-shot learning 的 DMN4 模型，采用相互最近邻关系显式地选择与任务最相关的查询描述符并丢弃不相关的聚合噪声，通过广泛的实验验证，DMN4 模型在精细分类和广义数据集上均优于现有技术。

Mar, 2021

MG-GNN: 多重网格图神经网络用于多层次域分解方法的学习

本文提出了一种新颖的 GNN 结构，称为多级网格图神经网络 (MG-GNN)，用于学习两级 DDM 中的最优化参数，并使用一种新的无监督损失函数对其进行训练。我们展示了 MG-GNN 在优化方面优于其他流行的层次图网络架构，并且证明了我们提出的损失函数对于实现这种改进的性能是至关重要的。

Jan, 2023

可变形部件模型是卷积神经网络

本文提出一种名为 DeepPyramid DPM 的模型，将图形模型 (DPM) 和卷积神经网络 (CNN) 相结合，取得了较好的性能，可用于视觉识别领域。

Sep, 2014

使用深度神经网络回归具有鲁棒性和判别性的三维可塑模型

我们提出了使用卷积神经网络进行三维面部模型重建的方法，通过大量标记数据的生成，优化了模型的准确性和稳定性，得到了超过现有方法的识别结果，实现了使用三维面部模型进行面部识别。

Dec, 2016

最大马氏线性判别分析网络

本文提出了一种新型的 Max-Mahalanobis linear discriminant analysis (MM-LDA) 神经网络，结合了深度神经网络中的非线性变换和分类器的优化，这种方法在应对对抗攻击方面更具鲁棒性，并且在类别不平衡分类的表现也更加出色。

Feb, 2018

使用非单调算子的本地单调算子学习：MnM-MOL

通过对梯度数据和卷积神经网络块的总和施加单调性约束，本研究旨在放松对卷积神经网络块的约束以提高性能，并仅将算子在图像流形附近的局部邻域内保持单调性约束，从而实现从稀疏测量恢复磁共振图像的创新方法。

Dec, 2023