Dec, 2023

LightGCNet: 基于几何构造的轻量级神经网络用于数据驱动的软传感器

PDF
TL;DR基于深度学习的轻量级几何构造神经网络 LightGCNet 通过空间几何分析证明了其具有通用逼近性质，并通过节点池策略和空间几何关系优化隐藏参数的分配过程，提高了解释性和处理优化能力。在基准数据集和矿石磨粉过程中的模拟结果表明，LightGCNet 在网络规模小、学习速度快和泛化能力强方面具有显著优点。
发现论文，激发创造
  • 基于物理增强的工业物联网软感知的图神经网络

    基于物理增强的图神经网络的软测量方法在区域供热网络案例研究中表现出显著的改进，即使在存在噪声和参数不准确性的情况下，这种方法克服了传统深度学习模型无法明确表示各种传感器之间复杂相互作用的限制。

    Apr, 2024

  • 三维分子图形的几何完整感知机网络

    介绍了一种新的 GCPNet 图神经网络，其具有 SE (3) 置换对称性，用于 3D 分子图形表示学习，在蛋白质 - 配体结合亲和力预测，蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。

    Nov, 2022

  • LGC-Net: 高效姿态估计的轻量陀螺仪校准网络

    该文介绍了一种轻量级、高效的校准神经网络模型，用于消除低成本微电子机械系统（MEMS）陀螺仪的噪声并实时估计机器人的姿态。

    Sep, 2022

  • 用于三维点云分类和分割的几何共享网络

    本文提出了 Geometry Sharing Network (GS-Net) 解决了近几年对于使用深度卷积神经网络对 3D 点云进行分类时，如何处理数据的几何变换问题，实验结果表明 GS-Net 可以提高软件对于这些变换的鲁棒性。

    Dec, 2019

  • 基于可学习的三维分组卷积的空间光谱高光谱分类

    本文提出了一种基于改进的 3D-DenseNet 模型和轻量级模型设计的可学习组卷积网络 (LGCNet)，用于加速在具有严格延迟要求和受限计算能力的边缘设备上模型的部署，该网络通过引入针对输入通道和卷积核分组的动态学习方法改善了组卷积的不足，从而实现灵活的分组结构和更好的表示能力。此外，LGCNet 在印度藤条，帕维亚大学和 KSC 数据集上取得了速度和精度方面的进展，优于主流的高光谱图像分类方法。

    Jul, 2023

  • 基于几何约束的弱监督目标定位

    本文提出了一种名为 GC-Net 的几何约束网络，用于弱监督物体定位，并引入了一种新颖的多任务损失函数，使得该网络可以无需后处理（如阈值）即可进行端到端训练，并在 CUB-200-2011 数据集上表现卓越。

    Jul, 2020

  • 探索几何深度学习在降雨即时预测中的应用

    基于几何深度学习的时态图卷积网络（GCN）用于降水预报，通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵，并通过 GCN 层对空间关系进行优化，并使用不同核长度的一维卷积提取时间信息，最终结果通过邻域信息作为辅助输入层来改善，实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性，从而降低误差度量。

    Sep, 2023

  • 催化剂探索中的轻量级几何深度学习

    新技术对于大规模采用风能和太阳能等可再生能源是必要的。发现适合的催化剂对于使能量储存更具成本效益和可扩展性至关重要。这项研究旨在评估使用更轻量级方法在这一任务中获得的性能和洞察力，以鼓励来自不同背景的个人的参与。通过实施稳健的设计模式，如几何和对称的信息传递，我们能够训练一个 GNN 模型，在仅使用一小部分可训练参数的情况下，达到了 0.0748 的平均绝对误差，与 SchNet 和 DimeNet++ 等已建立的模型架构相媲美。

    Apr, 2024

  • 基于动态分组卷积的高光谱遥感图像分类的高效三维 DenseNet (DGCNet)

    该研究设计并提出了一种基于动态分组卷积的轻量级模型，并应用于高光谱图像分类计算任务，取得了较高的速度和准确度，较传统方法优越。

    Jul, 2023

  • 基于动态链接的图卷积网络：通过链接层级特征学习点云

    本文提出了一种基于图卷积神经网络的 LDGCNN 模型，用于直接分类和分割点云。通过理论分析、可视化和实验验证，证明了 LDGCNN 在 ModelNet40 和 ShapeNet 数据集上的优异性能。

    Apr, 2019