- AAAIVSQL: 变分阴影量子学习分类
本文提出了一个新的混合量子 - 经典框架用于监督性量子学习,叫做 Variational Shadow Quantum Learning(VSQL),该方法利用了量子数据的经典阴影,通过变分阴影量子电路以卷积方式提取经典特征,并利用全连接神 - 基于学习的 3D 点云几何无损压缩
本文介绍了一种基于学习的无损压缩方法,可用于静态点云几何图形,基于自适应算术编码。我们的编码器在八叉树和体素编码之间混合操作,即将点云自适应地分区为多分辨率体素块,使用八叉树表示分区。利用深卷积神经网络对体素进行学习和处理,呈现了优越的性能 - 原始对偶网格卷积神经网络
本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法,使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析,并引入一种准确的几何解释来处理网格连接的变化,并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。
- ECCV变形核卷积网络用于视频极高清晰重建
该研究提出了一种新型基于深度学习的视频超分辨率算法 DKSAN,该算法利用了新设计的变形卷积对齐和可形变内核空间注意力模块,更好地利用了时空冗余来促进不同层之间的信息传播,并在实验中展示了比现有技术 EDVR 更好的超分辨率效果。
- 全局上下文感知卷积用于三维点云理解
本文提出了一种新型的卷积操作符,通过将全局上下文信息与卷积融合,增强了点云数据中特征的区分度,从而解决了旋转不变性卷积的性能问题,并在多项点云任务中实现了最先进的结果。
- 从零开始学习卷积
本文通过研究最小描述长度作为指导原则以了解引出卷积的归纳偏差,提出了 $eta$-LASSO,一种简单的 LASSO 算法变体,用于学习具有本地连接的架构,并在图像分类任务上实现了最先进的准确性,为训练全连接网络提供了桥梁,使其在 CIF - ECCV基于高效剩余数系统的 Winograd 卷积
本论文将 Winograd 算法扩展到残余数字系统 (RNS),使用 Winograd 变换和低成本 (如 8 位) 算术,在不降低网络预测精度的情况下,准确地计算大量的滤波器和激活区块上的最小复杂度卷积,减少算术复杂度高达 7.03 倍, - ACLSemEval-2020 Task 9 中的 HCMS:一种用于代码混合文本情感分析的神经网络方法
本文描述了我们在 Sentimix 印地语 - 英语任务中提交的内容,涉及对代码混合文本进行情感分类,并表现出 F1 得分为 67.1%,证明简单的卷积和注意力可能会产生合理的结果。
- ECCVAxial-DeepLab: 独立的轴向注意力在全景分割中的应用
本论文提出两个一维自注意力层的 2D 因式分解来减少计算复杂度,同时提出了一个位置敏感型自注意力设计,该设计结合两个一维自注意力层形成了一种新的构建块,称为位置敏感型轴注意力层;在图像分类和密集预测任务中,实验证明本文所提出的模型在四个大规 - 基于点的实例分割 (PointINS)
本文提出了一种基于 Point-of-Interest 特征的实例分割方法,将面具表示学习任务分解为实例感知权重和实例不可知特征两个可处理的模块。在 RetinaNet 和 FCOS 基础上建立的 PointINS,在 COCO 数据集上实 - 仿射自卷积
使用数据相关卷积和注意力机制,提出了一种特殊的自注意力网络模型,称之为 Affine Self Convolution,并在 CIFAR10 和 CIFAR100 数据集上进行了评估,结果显示该模型在减少参数数量的同时,在测试时获得了与基线 - CVPR语义相关性促进的形状变体上下文分割
本文提出了一种基于 scale- 和 shape-variant 的语义分割方法,使用配对卷积生成 shape mask 并控制 receptive field,从而在像素级别上聚合语义相关区域的上下文信息,同时通过标签去噪模型减少了由于低 - ICCV用于三维点云理解的插值卷积网络
本文提出了一种新的 Interpolated Convolution 操作,即 InterpConv,以解决点云特征学习和理解问题,进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neur - CVPR间接卷积算法
使用 Indirect Convolution 算法实现卷积操作,避免了传统 GEMM 算法中需要进行 im2col 转换所带来的数据重排和内存开销,并可以适用于更大的卷积核、填充、步幅和膨胀率。
- 视觉模型中的独立自注意力
通过使用自注意力替换空间卷积操作,得出了一个完全的自注意力模型,该模型相比于基线 ImageNet 分类任务具有 12%更少的 FLOPS 和 29%更少的参数,而在 COCO 目标检测方面,与基线 RetinaNet 匹配的 mAP,但具 - CVPRHetConv: 基于异构内核的卷积神经网络
通过使用异构卷积内核,我们提出了一种新颖的深度学习架构,在减少计算量和参数数量的同时保持代表性效率,实现了在 VGG 和 ResNet 等 CNN 架构中 3 到 8 倍 FLOPs 的速度提升,并与组 / 深度卷积进行比较,证明其具有更高 - 利用 PyTorch 处理六边形采样数据的卷积神经网络
HexagDLy 是一款使用 Python 编写的库,为 PyTorch 深度学习框架提供针对六边形网格的卷积和池化运算,旨在为依赖于六边形采样数据的应用程序(如地面基础宇宙粒子物理实验)简化卷积神经网络的访问。
- 基于整数算术的高效 Winograd 卷积
该论文介绍了一种新的 Winograd 算法,该算法在复数领域扩展构造,并提出了优化方法,在不显著降低准确度的情况下有效地提高了算法效率。此外,作者们设计并实现了基于整数的过滤器缩放方案,可以有效地减少过滤器的位宽,降低模型大小并提高推理速 - ICCVJPEG 转换域中的深度残差学习
利用 JPEG 变换域的线性特性重新定义了卷积和批量归一化,实现在压缩图像作为输入的 Residual Network 推断和学习,无损准确性地进行图像分类。
- C3:集中综合卷积及其在语义分割中的应用
文章提出一种新的深度学习网络结构 --- Concentrated-Comprehensive Convolution (C3) block,该结构应用了不对称卷积来弥补扩张卷积的信息丢失,并成功应用于各种分割框架中,保持原有精度的同时降低