球面数据的混合神经表征
地理空间特征表示对于集成地理定位数据的任何机器学习模型都是至关重要的,本研究提出了一种新的全球分布地理数据的位置编码器,结合球面调和基函数和正弦网络表示网络 (SirenNets),以学习双傅立叶球嵌入。
Oct, 2023
本研究通过开发一种新的表面到图像表示方法,成功地在几何数据分析中应用了卷积神经网络,以达到在形状检索、形状分类和语义形状分割等任务上取得了最先进的结果或相当的结果的目标。
Dec, 2018
本文介绍了一种新的网络结构 —— 球面卷积网络,用于处理具有旋转不变性的分类问题,并通过在球面上进行卷积和旋转权重共享来实现旋转等变性。实验结果表明,球面卷积网络在处理类似于 MNIST 的数据集时具有很高的准确率。
Sep, 2017
本文提出基于 Spherical Transformer 的方法,将球面信号转换为能够被标准 CNNs 直接处理的向量,从而使许多经过精心设计的 CNNs 架构可以通过预训练在不同任务和数据集中重复使用,该方法在球形 MNIST 识别,3D 物体分类和全向图像语义分割任务上具有优异性能。
Jan, 2021
论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题,进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法,同时还实现了一种用于谱域的新型池化技术,这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。
Nov, 2017
本研究提出了一种基于球面构建的扩散网络来处理球面数据,该网络具有旋转等变性和计算可扩展性,并且可以与卷积神经网络(CNNs)相结合,使其可以适用于具有高分辨率球面信号的实际应用中。
Feb, 2021
使用基于图的球形卷积神经网络(CNNs)的金字塔特征网络(FPNs)设计了球形 FPNs,与球形 UNets 相比,我们的模型在 Stanford 2D-3D-S 数据集上表现出一致的改进,而且使用更少的参数,其 mIOU 为 48.75,在先前最好的球形 CNN 上提高了 3.75 个 IoU 点。
Jul, 2023
这篇研究论文介绍了如何通过提出新的模型组件、实现核心操作以及应用特定输入表示等关键改进来扩展球面 CNN,使其可用于更大规模的问题并在 QM9 分子基准测试的多个目标上达到最新水平,在多个天气预测任务中实现竞争性表现。
Jun, 2023
提出了一种广义的球形卷积神经网络框架,其中包括了各种现有方法,并允许它们同时被利用。通过开发两个新的严格相等层,其复杂度已经被降至可行水平,使球形 CNNs 的更大、更具表现力模型能够被计算出来。通过这些发展,展示了对于球形基准问题,能够构建更具表现力的混合模型,达到最新的精度和参数效率。
Oct, 2020