Apr, 2024

基于深度学习的几何图形分类算法研究

PDF
TL;DR利用 lenet-5 体系结构的权重共享和特征提取和分类的优势，构建了一个几何图形识别算法模型，通过在识别过程中使用交叉熵损失函数来提高模型的泛化性能和测试数据集的平均识别准确率。
computer information technologyartificial intelligencegeometry recognition technologydeep learning theoryconvolutional neural network
发现论文，激发创造
  • 使用混合模型 CNN 对图和流形进行几何深度学习

    这篇论文提出了一个以卷积神经网络为基础的统一框架，以推广 CNN 的应用领域到非欧几里得结构的数据，如图形和流形，并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。

    Nov, 2016

  • 深度学习的几何理解

    该研究通过几何视角揭示深度学习的关键在于学习数据的流形结构和概率分布，并提出一种控制潜在空间中概率分布的最优质量传递理论。

    May, 2018

  • 几何深度学习：网格、群、图、测地线和规范

    通过统一的几何原理，深度学习可以更好地揭示基本规律，提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络，且可以将物理学知识结合到神经网络结构中，从而提供了未来神经网络结构的原则性方法。

    Apr, 2021

  • 高维卷积神经网络用于几何图形识别

    高维卷积神经网络可用于几何模式识别中，通过对高维空间中的线性子空间、三维注册、图像对应等问题的研究表明，相比于全局池化运算符，基于高维卷积神经网络的先进方法具有更好的性能。

    May, 2020

  • 深度几何学习调查：来自表征角度

    本文从不同的表示角度综述了深度学习在三维几何中的最新发展，并总结了不同表示方法在不同应用中的优缺点，同时提出了进一步的研究方向。

    Feb, 2020

  • 计算机辅助设计的几何深度学习：一项综述

    几何深度学习在计算机辅助设计领域具有革命性的能力，通过利用基于机器学习的方法，CAD 设计师能够优化其工作流程，节省时间和精力，做出更明智的决策，并创造出创新且实用的设计。这篇综述提供了计算机辅助设计领域中基于学习的方法的全面概述，包括相似性分析和检索、2D 和 3D CAD 模型合成以及基于点云的 CAD 生成。此外，它还提供了完整的基准数据集及其特征，以及推动该领域研究的开源代码。最后的讨论涉及该领域面临的挑战，以及未来潜在的研究方向。

    Feb, 2024

  • 基于图像的三维物体重建：深度学习时代的现状和趋势

    本篇综述文章总结了基于深度学习技术的图像三维重建方法，以形状表示、网络结构和训练机制为基础，介绍了近期该领域的研究进展和性能比较，并探讨未来研究的方向。

    Jun, 2019

  • 使用卷积神经网络研究手写数字识别的不同隐藏层和时期的准确性变化

    本文旨在分析卷积神经网络隐藏层模式对其整体性能的影响，针对 MNIST 数据集使用不同层数的神经网络测试其准确率变化并进行比较，探究深度学习在模式识别上的应用。

    Sep, 2018

  • 使用 Geo-CNN 建模三维点云的局部几何结构

    本文提出了一种名为 Geo-CNN 的算法，通过将点和其局部邻域应用一种称为 GeoConv 的通用卷积操作来捕捉点云中局部几何关系，并在特征提取过程中保留点云的几何结构，实现了在 ModelNet40 和 KITTI 数据集上的最先进性能。

    Nov, 2018

  • 几何深度学习：超越欧几里德数据

    本文主要探讨了几种几何深度学习问题以及目前存在的解决方案、主要困难、应用和未来研究方向。这些问题涉及非欧几里得域，需要使用结构化的深度神经模型来解决。

    Nov, 2016