关键词group equivariant convolutional neural networks
搜索结果 - 8
- 颜色均变网络
我们设计了对色调和饱和度变化等感知转换具有等变性的卷积神经网络,通过观察到色调和饱和度变换可以分别与 2D 旋转和 1D 平移群相对应,实现了对这些感知变换的等变性,同时不增加网络参数。我们在合成和真实世界数据集上展示了我们的网络的实用性, - 基于加权蒙特卡洛扩展球形 Fourier-Bessel 卷积层的三维腹部器官分割
本文描述了一种基于非参数共享的仿射群等变神经网络,用于三维医学图像分割,并基于自适应 Monte Carlo 扩充球形傅里叶 - 贝塞尔滤波基的聚合,通过采用非参数策略的效率和灵活性,首次实现了对体积数据进行高效的三维仿射群等变卷积神经网络 - 使用与滥用等变性
我们研究了群等变卷积神经网络如何使用子采样来打破对其对称性的等变性,并探讨了对网络性能的影响。我们发现,即使输入维度只有一个像素的微小变化,常用的架构也会变得近似等变,而不是完全等变。当训练数据中的对称性与网络的对称性不完全相同时,近似等变 - 线性等变网络的隐性偏差
本文研究群等变卷积神经网络,在训练时隐式地通过具体的架构对模型进行正则化处理来实现其显式的对称性偏置,从而实现模型的推广。同时,文中还提出了傅里叶空间隐式正则化模型的解释,并通过实验证明了该模型的有效性。
- 逆问题的等变神经网络
本文介绍一种使用群等变卷积神经网络来解决逆问题的学习重建方法,通过在迭代方法中建立群等变卷积神经网络解决拉伸同变的问题,实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。
- 基于 PDE 的群等变卷积神经网络
本研究提出了一种基于偏微分方程的框架,该框架可以将几何意义上的 PDE 系数作为网络层的可训练权重,从而在同一设计中具有内置的旋转和转化等几何对称性,并通过实验证明了该框架可以在深度学习图像应用中显著提高性能.
- 关于齐变卷积神经网络在同性空间上的一般理论
本研究提出了关于群等变卷积神经网络(G-CNNs)在同种空间如欧几里德空间和球面上的总体理论。这些网络中的特征映射表示同种基本空间上的场,层是场空间之间的等变映射。该理论使得所有现有的 G-CNNs 都能按照它们的对称群、基础空间和场类型进 - 群等变卷积网络
介绍了一种新型卷积神经网络,称为 Group equivariant Convolutional Neural Networks (G-CNNs),它通过利用对称性降低样本复杂度,使用新型层 G-convolutions,增加网络的表达能力