jacobians | BriefGPT - AI 论文速递

关键词jacobians

搜索结果 - 7

无矩阵雅可比链
计算科学和工程中的基本挑战是有效地计算雅可比矩阵。大规模的模块化数值模拟程序可以看作是将不同 iable 子程序进行序列求值，并考虑对应的元素雅可比矩阵。我们假设这些子程序的切线和伴随版本通过算法微分获得，而元素雅可比矩阵一般不可用。将经典
PDF3 months ago
TextDeformer: 使用文本指导进行几何形状操作
本研究提出了使用可微分渲染进行网格变形的方法，通过使用 Jacobians 的方法解决了传统方法中的问题，并使用 CLIP 等预训练的图像编码器来对几何和图像进行连接，实现了对于形状和细节的变形。
PDFa year ago
CVPR重新审视旋转平均：不确定性与鲁棒损失
本论文提出一种改进的旋转平均方法，通过直接将不确定性从点对应中传播到旋转平均中来模拟基础噪声分布，同时探索了将 MAGSAC 损失整合到旋转平均问题中的可能性，较之传统的健壮损失方法在大规模公共基准测试中的精度更高。
PDFa year ago
IJCAI频率偏差如何影响神经图像分类器对于常见干扰及对抗扰动的鲁棒性？
本研究提出通过 Jacobian 频率正则化方法对深度学习模型频率偏差与鲁棒性之间的直接关系进行研究，实验证明偏向低（高）频分量能够提高分类器对高（低）频污染和对抗扰动的鲁棒性，但在低（高）频污染的性能方面存在折衷。
PDF2 years ago
自归一化流
本研究提出了自正则化流的概念，通过使用每一层中的学习近似反演，将昂贵的项替换为其梯度的自我正则化流，实现了流架构的培训，同时提供了高效的采样方法。实验表明，这些模型具有显著的稳定性，并优于在计算中限制函数的模型。
PDF4 years ago
深度神经网络的更紧密的泛化界限：卷积神经网络、ResNet 等
我们通过引入一种新的神经网络族的 Lipschitz 属性的表征，建立了一种基于边际的数据相关的广泛深度神经网络泛化误差界限，将其与深度、宽度以及网络的雅可比矩阵联系起来。和现有的结果相比，我们实现了明显更紧的泛化下界，并且还表明，对于损失
PDF6 years ago
CVPR奇异向量的艺术与通用对抗扰动
本文探讨了深度神经网络的漏洞和通用扰动，结果表明通过计算神经网络隐藏层 Jacobian 矩阵的 (p, q) 奇异向量，可以构建出存在有趣视觉模式的通用扰动，并且只使用 64 张图像，就可以在包含 50000 张图像的数据集上构建出具有超
PDF7 years ago