- 使用梯度下降训练形态神经网络:一些理论洞见
研究了基于差分和反向传播的形态学网络的潜力和限制,尤其是在初始化和学习速率方面的理论指导,以解决当形态学网络层数增加时的训练困难。
- ICCV精确二值形态神经网络的基础
通过数学形态学(MM)实现全结合卷积神经网络(ConvNets)的二值化,并提出两种新的近似方法以及鲁棒的理论框架来改进其优化。同时,引入正则化损失以提高网络的性能。
- 利用 LogSumExp 逼近进行色彩形态学最大值生成的方法
本文提出一种新颖的基于 Loewner 顺序的彩色形态学方法,通过 Maslov 引入的对数和指数的对数求和来逼近最高点,将 RGB 图像嵌入到对称 $2 imes2$ 矩阵中,得到代表颜色的几乎各向同性矩阵和传递性的结构优势,并通过数值实 - 晶格算子机器学习的超参数化范式
通过过参数化 lattic 中的元素,我们提出了一种学习模式,并应用了一种在 lattic 中最小化函数的算法,该算法是针对约束类操作符的通用算法,解决了现代神经网络方法缺乏的控制性、透明性和可解释性。
- 训练无限制的顺序离散形态神经网络的算法
用离散形态神经网络(DMNN)进行二进制图像转换,表示具有特定特性的 W 算子,并通过机器学习来估计它们,同时提出了一种用于学习无限制顺序 DMNN(USDMNN)的算法。
- 对数数学形态学:理论与应用
对于灰度级函数,传统数学形态学在图像分析中使用的结构性函数与图像相加时无法验证灯光强度变化的特性,因此引入了新的可根据图像幅度调整结构性函数幅度的加法规律,称为对数数学形态学,并提出新的与灯光变化鲁棒性较好的操作符。实验证明,对数数学形态学 - 离散形态神经网络
提出了离散形态神经网络(DMNN)用于二值图像分析以表示 W 算子并通过机器学习进行估计的经典方法。
- 向量数学形态学中最小长度的总命令不能最小化不规则性
本文主要研究数学形态学的非线性运算符在对向量值图像进行处理和分析时的排序方案及不规则性问题。在尝试让全序排序对应到最短的路径时,最短路径并不能保证时不规则性最小的方案。
- 从拓扑角度看形态逻辑:符号人工智能的应用
在本文中,我们从拓扑学的角度,即将空间、逻辑、集合和拓扑结构综合起来的范畴结构,进一步发展和推广了数学形态学和模态逻辑之间的联系,并引入了构建元素、扩张和侵蚀等概念,并展示了其在推理、合并和新知识的引入方面的应用。
- 用数学形态学中的对数图像处理在 Asplund 距离的映射上进行双面探测
本文通过使用对数图像处理标量乘法,建立了数学形态学和 Asplund 距离图之间的联系,演示了该映射是一个函数的膨胀和侵蚀之比的对数。通过使用平坦的构产元素简化了 Asplund 距离图的表达式,这些映射留在图像的格子中。作者通过非平坦结构 - 使用深度学习的 Telugu OCR 框架
本文针对旁遮普文字的光学字符识别任务,提出一种基于数学形态学的分割方法、深度卷积神经网络的分类模块及三次马尔可夫链式语言建模的末端至末端框架,取得了最新的错误率优化效果,并详尽阐述了深度学习实现过程中所需的众多技巧所依据的统计学理论。