Nov, 2023

卷积与征服：使用维纳滤波器进行数据比较

PDF
TL;DR通过 Wiener 滤波器理论，本文介绍了一种新的方法来计算配对样本之间的相似度或差异，可在全局相关的方式下全面比较数据样本，并在数据压缩、医学影像填充、翻译分类和非参数生成建模等四个机器学习应用中得到验证。实验结果表明，与常规均方误差模拟实现相比，重建图像具有更高的感知质量和更高的数据保真度，并且对平移具有鲁棒性。
quantitative evaluationslearning data distributionsdata comparisonwiener-filter theorymachine learning applications
发现论文，激发创造
  • 卷积神经网络中卷积算子的泛化

    本文提出两类代理函数，用于卷积算子内积运算的通用化，第一种是正定核函数，第二种是基于距离函数定义的相似性测量。通过在 MNIST 数据集上的实验表明，基于加权 L1/L2 距离的广义 CNN 可以实现普通 CNN 的性能，证明了卷积神经网络通用化的可行性。

    Jul, 2017

  • Deep Wiener Deconvolution: 威纳滤波与深度学习相遇用于图像去模糊

    通过将 Wiener 去卷积算法与深度学习结合，提出了面向非盲目图像去模糊的一种新方法，通过特征空间中的显式去卷积过程并利用多尺度特征细化模块逐步恢复细节和小尺度结构，训练模型的结果表明，所提出的深度 Wiener 去卷积网络能够缩小众多噪点，并在真实世界图像模糊的情况下优化表现，有着显著的效果。

    Mar, 2021

  • 使用深度维纳 - 科尔莫戈洛夫滤波器进行显微图像恢复

    本研究提出了一种基于深度学习的图像去模糊与降噪算法，应用于显微镜下的细胞和组织图像重建中，与现有方案相比具有更好的表现和低计算复杂度。同时，也成功解决了泊松图像去模糊问题。

    Nov, 2019

  • 学习使用卷积神经网络比较图像片段

    本文介绍了如何用卷积神经网络 (CNN) 从图像数据中直接学习通用的相似性函数，以比较图像补丁。我们的实验表明，这种方法在多个计算机视觉问题和基准数据集上都取得了极大的成效。

    Apr, 2015

  • 对比学习作为核逼近

    通过对无标签数据进行对比学习，可以生成低维的特征向量表示，这些特征向量可以作为输入来提高有标签数据上的监督学习系统的准确性，并探讨了对比损失函数的最小化器及其与以往学习无标签数据方法的关系。

    Sep, 2023

  • 卷积贝叶斯滤波

    通过引入一个附加事件来规定不等条件，我们将条件概率转换成类似于卷积的特殊积分，实现了传统贝叶斯滤波的更普适框架，称之为卷积贝叶斯滤波。该框架包含了标准贝叶斯滤波作为一种特殊情况，当不等条件的距离度量选取为狄拉克函数时。通过选择不同类型的不等条件，我们可以更全面地考虑模型不匹配问题。最后，我们通过将经典滤波算法改造成卷积版本的方式来验证我们的方法的有效性，其中包括了卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器和粒子滤波器。

    Mar, 2024

  • 图像增强的投影分布损失

    本文研究使用从目标识别 CNNs 中获取的特征来衡量图像之间的感知相似度，并使用差分距离函数训练图像增强模型，并表明聚合 CNN 激活之间的 1D-Wasserstein 距离比现有方法更可靠，并且可以在各种成像应用中显著提高感知性能。

    Dec, 2020

  • 利用卷积滤波器模式进行迁移学习

    本文介绍了一种新的正则化技术，旨在通过高斯混合模型捕捉卷积神经网络中的统计关系，并将其转移到另一个网络中，实现特征表示的高效学习和转移。

    Aug, 2017

  • 学习卷积：一种通用的权重共享方法

    本文提出了一种学习如何转换卷积滤波器以用于群卷积的方法，通过学习滤波器基础和旋转版本，并使用一组旋转不变系数来编码滤波器，从而在 MNIST 和 CIFAR-10 数据集上实现了低输入旋转敏感度和高性能的特征映射。

    May, 2019

  • 基于相似度的卷积神经网络被动式滤波剪枝压缩方法

    通过 Nyström 近似方法，提出了一种高效的基于相似度的被动滤波器剪枝方法，相比于基于相似度的滤波器剪枝方法，其计算速度快三倍，准确率相同，该方法还表现出与现有基于范数的剪枝方法相似或更好的效果。在 DCASE 2021 任务 1A 基线网络和设计用于声学场景分类的 VGGish 网络等卷积神经网络上评估了该方法的有效性。

    Oct, 2022