Apr, 2024

EncodeNet：基于熵驱动的广义转换自编码器的深度神经网络精度提升框架

PDF
TL;DR通过引入 Converting Autoencoder 和 intraclass clustering 方法，本研究设计了 EncodeNet 框架，提高了 DNN 模型的准确性而不增加模型大小，并在 CIFAR-10 和 CIFAR-100 数据集上取得了比知识蒸馏和注意力机制更高的准确度。
image classificationdnn accuracyencodenetconverting autoencoderfeature learning
发现论文，激发创造
  • 一种面向边缘低延迟和高能效的 DNN 推理的转换自编码器

    提出了一种基于自动编码器和轻量级 DNN 的新颖方法，用于在资源受限的边缘设备上减少推理时间和能源消耗，实验证明其在推理延迟上可以获得高达 4.8 倍的加速，并且在准确率方面保持相似或更高的情况下降低了 79％的能源使用。

    Mar, 2024

  • 利用类别编码器学习判别特征

    本论文根据对深度神经网络训练过程的观察，提出了 class-encoder 的形式化表述方法，它结合了自动编码器（auto-encoders）和 softmax 函数进行监督训练，以降低类别内部的特征空间变异性，提高人脸识别模型的分类性能。

    May, 2016

  • 神经网络中的过度泛化的去噪自编码器

    本研究提出了一种使用去噪自编码器计算置信度得分的新方法，并展示了这种置信度得分可以通过确定其局部极大值来正确识别接近训练分布的输入空间的区域，从而解决神经网络模型的过度概括问题。

    Sep, 2017

  • 森林中的自编码器

    本文提出了基于树集成的自编码器模型 EncoderForest，可以利用决策树的等价类进行反向重建， 相较于深度神经网络的自编码器，具有更低的重建误差和快速训练速度，并且易于复用和耐损伤。

    Sep, 2017

  • 学习图像压缩中的增强可逆编码技术

    本文提出了一种基于可逆神经网络（INNs）的 Invertible Encoding Network 方法来构建更好的图像空间和潜在特征空间之间的转换，并在 Kodak、CLIC 和 Tecnick 数据集上证明了该方法在高分辨率图像方面优于现有的学习图像压缩方法和压缩标准（包括 VVC (VTM 12.1)）的实验结果。

    Aug, 2021

  • EncodingNet：一种基于编码的有效神经网络加速的 MAC 设计

    通过基于编码的新型数字 MAC 设计，用简单逻辑门替换了乘法器，用宽位表示投射结果，通过逐位加权累积实现加法，从而减小电路面积和提高功耗效率，测试结果表明该设计能够降低电路面积高达 79.63%，减少 DNN 执行功耗最多 70.18%，同时保持良好的神经网络准确性。

    Feb, 2024

  • 遮挡图像分类的潜在增强自动编码器

    通过引入名为 LEARN 的基于自动编码器的网络，该网络可以在不修改分类模型权重的情况下将其合并到分类模型，该方法在大遮挡下的图像分类问题中的性能显著优于标准分类模型，并且比其他最先进的方法提高了 2% 至多达 5% 的分类准确率。

    Feb, 2024

  • 自编码器

    本文综述了不同类型的自编码器及其应用，自编码器是一种神经网络，通过压缩表示和重构输入以实现输入的重构。

    Mar, 2020

  • 任务无关连续学习的编码器和集成方法

    使用对比自监督学习和集成模型的方法，构建一个架构，以有效地进行连续学习，同时避免灾难性遗忘，对多个基准测试问题进行评估并取得了优异的表现。

    May, 2021

  • 基于压缩自编码器的有损图像压缩

    我们提出了一种新的方法来优化自动编码器实现有损图像压缩，并通过最小的损失改变来改进了深度自动编码器的性能， 从而实现了高分辨率图像的高效和灵活压缩。

    Mar, 2017