本文综述使用卷积神经网络解决成像中的反问题的最新进展,并重点关注了设计决策,即训练数据的来源,CNN 的架构以及如何解决学习问题等关键理论。
Oct, 2017
论文讨论卷积神经网络近似可逆性及其在稀疏信号恢复方面的数学模型,并给出一种精确的模型基础压缩感知与其恢复算法和随机权重 CNN 的连接。作者通过实验得出多个学习网络与数学分析一致,以简单的理论框架合理地重构实际图片。同时,作者也探讨了我们的模型假设与实际场景分类训练的 CNN 之间的差距。
May, 2017
通过研究 LinearScope 中的线性译者,许多好奇的问题得以回答,例如分类使用的一像素一票策略、CNN 使用与人类视觉系统类似的小波基、I2I 中的复制 - 移动和模板创建策略等。
Aug, 2019
提出了一种矩阵神经网络(MatNet),通过双线性映射从上一层单元中感知总结信息,并方便地扩展到多模输入,应用于 MNIST 手写数字分类和图像超分辨率任务中,具有与最先进方法可比较的性能和大大降低的复杂性。
Jan, 2016
本文探讨神经网络的零空间特性,扩展了线性到非线性映射的零空间定义,并讨论了神经网络中的零空间存在。我们利用零空间的部分来欺骗神经网络,揭示了神经网络的内在弱点。我们描述了一种图像隐写术的应用,并通过在 MNIST 等图像数据集上的实验表明,我们可以利用零空间成分来强制神经网络选择一个选定的隐藏图像类别,即使整体图像看起来完全不同。最后,我们比较了人类观察者所看到的图像和神经网络实际用于进行预测的图像部分,证明神经网络 “看到” 的与我们预期完全不同。
Jan, 2024
本研究旨在探讨如何反推一张图像的视觉信息,发现在 CNNs 的不同层中,层与层之间保留有关图像几何与光度不变性的信息。
Nov, 2014
本文提出了一种新的方法,用于可视化和理解神经网络输出层之前的向量空间,旨在揭示分类任务下的深层特征向量属性,特别是过拟合现象在特征空间中的本质和其对进一步应用的负面影响,并对其进行了真实应用场景的评估,证明了其突出性能优势。
Jun, 2020
使用双曲空间构建泛化的超球面卷积神经网络,以捕捉数据中的层次结构和提高性能。
Aug, 2023
通过对几何卷积、外积、张量索引收缩和张量索引排列的结合,我们提出了几何图像网络,可以更好地处理科学领域中粒子、向量和张量层面的图像信息。在小规模数值实验中,我们发现该网络具有很好的泛化性能,可以应用于宇宙学或海洋动力学等科学机器学习问题。
May, 2023
深度神经网络的层次计算可以看作是在高维表示空间上的一条路径,通过度量相似性等工具可以理解和解释神经网络的训练过程,并发现不同模型之间的相似之处。
Jun, 2022