- CVPR超越谎言:使用二进制神经网络的实时深假识别
采用二进制神经网络(BNNs)进行实时图像深伪造检测,以提高效率并取得较高准确率,在频域和纹理域探测操纵痕迹,性能优于现有方法,并显著减少运算量。
- 基于相量驱动的快速傅里叶变换卷积神经网络加速
通过使用极相表达形式作为替代传统方法的更高效的选择,我们的方法在 CIFAR-10 和 CIFAR-100 数据集上相较于现代 CNN 架构采用的矩形形式,实现了训练和推断速度的最高提升分别达到 1.376 和 1.390。同时,我们的方法 - FlashFFTConv:基于张量核的长序列高效卷积
我们提出了 FlashFFTConv,一个优化 FFT 卷积的方法,使用矩阵分解结构和稀疏卷积算法实现了长序列任务的加速,同时在计算资源限制下,提高了模型的性能和准确度。
- ICCV像素自适应深度展开变换器用于高光谱图像重建
我们提出了一种适用于高光谱图像重建的像素自适应深度展开变换 (PADUT),通过引入非局部光谱变换 (NST) 强调了 HSI 的 3D 特征,并通过快速傅里叶变换 (FFT) 改进了阶段交互。实验结果表明我们的方法相较于最先进的 HSI - 量子决策和搜索算法的统一信息动态分析:计算智能度量
本文从信息理论的角度考察了量子算法的演化,利用 Deutsch-Jozsa,Shor 和 Grover 算法的经典和量子信息流分析来论证基于超态叠加、量子纠缠和干涉的信息门控单元(QAG)通过作用于输入向量,将信息储存到系统状态中,在最小化 - FR-Net: 一种轻量级 FFT 残差网络用于凝视估计
文章提出了一种名为 FR-Net 的轻量级模型,利用快速傅里叶变换(FFT)从频域提取注视相关特征并减少参数数量,同时引入空间域的快捷方式组件进一步提高了模型的准确性,实验结果表明,相较于现有方法,该方法具有更高的准确性和效率,并适用于人机 - 使用 FFT 和 GPU 的超快 Zernike 矩
本文提出了一种使用快速傅里叶变换(FFT)和 GPU 计算的新方法来计算 Zernike moments ,该方法可以用于在高阶精确生成瞬时图像,数值精度比其他方法更高,是一种简单快速的方法,并可利用多个编程框架中可用的 GPU-FFT 库 - 稳定、快速和准确:基于核函数的相对位置编码的注意力机制
使用快速傅里叶变换(FFT)可以有效加速具有相对位置编码(RPE)的 Transformer 模型中的注意力计算,并且适当使用相对位置编码可以缓解基准核化注意力的训练不稳定性问题。
- 使用快速傅里叶变换计算异构组合的差分隐私保证
本文将最近提出的基于快速傅里叶变换(FFT)的隐私保证算法扩展到异构组合,并进行了完整的误差分析以选择算法参数,进一步提高了差分隐私保证精度,并使用 Plancherel 定理加速算法。
- 使用 FFT 分裂卷积加速卷积神经网络
该论文提出了一种新的卷积神经网络快速傅立叶变换域处理方法,该方法基于输入分割,可以有效地解决卷积神经网络中小核计算的问题,并通过硬件实现和复杂性分析验证了其性能。
- CirCNN:使用块循环权值矩阵加速和压缩深度神经网络
该论文提出 CirCNN,一种使用块循环矩阵表示权重和处理神经网络的基于 FFT 快速乘法的方法,能够从 O(n2)减少计算复杂度并降低存储复杂度,同时保持准确性,并在 FPGA、ASIC 和嵌入式处理器上实现出较高的能效和性能表现。
- 通过多层稀疏逼近实现快速图傅里叶变换
本文提出一种基于 Jacobi 特征值算法的贪心近似对图拉普拉斯矩阵进行对角化的方法,从而获得可快速应用和高效存储的近似图傅里叶变换,并在合成和真实图中的应用展示其潜力。
- 使用快速傅里叶变换和重叠相加的卷积神经网络极其高效训练
使用 “重叠相加” 技术和快速傅里叶变换来减少卷积神经网络中卷积层的计算时间,实现了更高效的向前和向后传播。
- ICML使用循环矩阵进行二进制嵌入
本文提出了基于循环矩阵 (Circulant Binary Embedding, CBE) 技术进行二进制编码的方法,并使用快速傅里叶变换算法加速计算,提高时间复杂度和空间复杂度。我们研究了两种不同的设置,并通过广泛的实验,证明了 CBE - 流形上的谐波指数族
论文定义了一类极其灵活的流形上指数家族分布,使用非交换 Fast Fourier 变换(FFT)的一般化方法提高了对数似然度函数的梯度计算效率。应用于贝叶斯相机运动估计和地震空间分布建模,并且实验结果表明,与最佳竞争方法相比,调和密度的似然 - 使用更少算术操作的 Type-II/III DCT/DST 算法
通过改进快速傅里叶变换算法,我们获得了离散余弦变换和离散正弦变换的新算法,它们比以前的算法更节省计算量,在不牺牲数字精度的情况下,可以减少实数乘法和加法的计算量。