关键词multi-scale processing
搜索结果 - 5
- SineNet: 学习时变偏微分方程中的时间动力学
使用深度神经网络解决时间依赖的偏微分方程,提出了一种名为 SineNet 的方法,通过多个连续连接的网络块逐步演化高分辨率特征,降低每个阶段内的特征错位,以改进模型的性能,证明了 SineNet 的有效性及其在神经 PDE 求解器设计中的潜 - 多尺度特征模仿用于无监督异常定位
本文提出了一种基于教师 - 学生特征模仿网络的多尺度处理策略,采用了基于梯度下降优化的网络模块重要性搜索方法,可以有效地解决无监督异常定位任务的挑战,并在实际工业产品检测数据集上比同期的特征建模异常定位方法具有更好的性能。
- 频率和多尺度选择性核关注在说话人验证中的应用
本研究提出了一种自适应地选择卷积核大小的机制(SKA),通过利用频道信息和注意力机制,改进了现有的演讲者验证体系结构,且在三种不同的评估协议中经过充分的实验验证,改进后的 SKA 变体的表现持续提高,并具备良好的互补性。
- 语义分割自动对焦层
本研究提出自适应对焦卷积层用于语义分割,通过并行合并多个不同膨胀率的卷积层及注意力机制,该卷积层可以根据处理后的上下文自适应地改变有效感受野的大小,提高网络的多尺度处理能力和特征提取能力,且可以轻松地集成到已有的网络中。我们在盆腔 CT 和 - 深入卷积
该研究论文提出了一种深度卷积神经网络架构 ——Inception,该架构在 ImageNet 图像识别竞赛中取得了新的研究成果,提高了网络的深度和宽度,同时保持计算资源的稳定利用,并基于 Hebbian 原理和多尺度处理原则进行建构。具体表