AAAIMar, 2024

多尺度低频记忆网络用于改进卷积神经网络中的特征提取

PDF
TL;DR使用 Multiscale Low-Frequency Memory (MLFM) 网络框架，通过有效地保存低频信息来提高卷积神经网络的性能。测试结果表明，MLFM 能够显著提高多种 2D CNNs 和语义分割网络在图像分类和图像翻译任务方面的准确性和效率。
发现论文，激发创造
  • 一种基于多尺度特征融合的轻量级注意力深度网络用于多视角面部表情识别

    通过引入轻量级的关注网络，以及多尺度特征融合，本研究的主要目标是克服在实际应用中计算复杂性和多视角头部姿势方面所面临的挑战，该方法在参数数量和对姿势变化的鲁棒性方面达到了业界先进方法的水平。

    Mar, 2024

  • 单幅图像超分辨率的通道和空间特征调制网络

    通过通道和空间特征调制，本文提出了一种利用序列化特征调制存储器单元及密集连接结构将低分辨率特征转换为高信息特征的网络，该网络能够加强高贡献信息和抑制冗余信息，同时通过门控融合节点适应性地融合分层特征，使得模型在图像超分辨率上比现有技术更优秀。

    Sep, 2018

  • Big-Little Net：一种高效的多尺度特征表示方法，用于视觉和语音识别

    该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

    Jul, 2018

  • 利用轻量级卷积神经网络进行带噪音标签的人脸深度表示

    本研究提出 Light CNN 框架，采用 Max-Feature-Map 和语义引导方法，从大规模嘈杂标签的面部数据中学习高效嵌入，使单个网络在不微调的情况下取得了各种面部基准测试的最新成果。

    Nov, 2015

  • 在频域中学习卷积神经网络

    该论文提出 CEMNet，一种可以在频域训练卷积神经网络的方法。利用分频域组将卷积操作替换为逐元素乘法操作，显著降低计算复杂度，并引入一些机制来解决过拟合的问题。

    Apr, 2022

  • 单图像超分辨率轻量级特征融合网络

    该研究提出一种轻量级特征融合网络 (LFFN)，利用主轴块和 softmax 特征融合模块 (SFFM) 来实现全面探索多尺度上下文信息、极大地降低网络参数而最大化单幅图像超分辨率 (SISR) 结果。

    Feb, 2019

  • 残差乘性滤波网络用于多尺度重建

    通过引入跳连接和新的初始化方案，我们提出了一种新的坐标网络架构和训练方案，实现了对学习重建的频率支持的细粒度控制，并在多尺度优化的背景下解决了粗到中等估计的问题，该方法在单粒子冷冻电镜重建的实验中，取得了与最先进技术相媲美的高分辨率多尺度结构。

    Jun, 2022

  • FAMLP: 一种面向领域泛化的频率感知 MLP-Like 架构

    提出了一种新颖的基于自适应傅里叶滤波器层和低秩增强模块的多层感知器结构，以提高 MLP 模型的领域适应性，实现了比其他方法更好的泛化性能。

    Mar, 2022

  • 傅里叶特征：让网络在低维度域中学习高频函数

    通过将输入点通过简单的傅里叶特征映射传递，使得多层感知机（MLP）能够学习低维问题领域中的高频函数。研究结果对计算机视觉和图形学领域中使用 MLP 表示复杂 3D 对象和场景的最新进展提供了启示。通过神经切比雪夫核（NTK）文献中的工具，我们展示了标准 MLP 在理论和实践中都无法学习高频的结论。为了克服这种频谱偏差，我们使用傅里叶特征映射将有效的 NTK 转换为带有可调节带宽的平稳核。我们提出了一种选择问题特定的傅里叶特征的方法，极大地提高了 MLP 在与计算机视觉和图形学相关的低维回归任务中的性能。

    Jun, 2020

  • 探索卷积融合网络在视觉识别中的应用

    通过卷积融合网络 (CFN) 和适应性权重的学习，实现多尺度深度表示的高效融合，并在场景识别、细粒度识别和图像检索等任务中获得显著改进。

    Nov, 2016