- ENADPool: 边缘节点注意力差分池化的图神经网络
本文提出了一种名为 Edge-Node Attention-based Differentiable Pooling (ENADPool) 的新层次池化操作,用于学习有效的图表示,同时还提出了与 ENADPool 操作相关的多距离 GNN - 一种改进的基于骨架的动作识别图池化网络
在该论文中,我们提出了一种改进的图池化网络(IGPN),包括区域感知池化策略、交叉融合模块和信息补充模块等创新点,该方法可以与现有的基于 GCN 的模型无缝结合,实验证明了我们提出的解决方案的有效性。
- 多尺度 MRI 重建基于扩张集合网络
通过使用扩张卷积来保持分辨率,并使用复杂卷积进行实验,我们介绍了一种高效的多尺度重建网络。与常见的重建架构和最先进的多尺度网络相比,该模型在三倍效率更高的情况下表现出色。当具有更多相位信息时,复数网络得到更好的定性结果。
- ICCV保持简洁:谁说监督 Transformer 受注意力不足之苦?
我们通过提出一种通用的池化框架,将卷积网络和视觉变换器的默认池化机制替换为简单的基于注意力的池化机制 SimPool,从而改善了预训练和下游任务的性能,并在所有情况下提供了能够描绘物体边界的注意力分布图。
- 分层球形卷积神经网络与基于提升的自适应小波池化和反池化
本文提出了一种新的 HS-CNN 框架,名为 LiftHS-CNN,其采用可学习的 lifting 结构来学习自适应的球面小波用于汇聚和反汇聚,以实现更高效的层次化特征学习。
- 模糊池化
本研究使用(1 型)模糊集合方法提出了一种新的池化操作来处理卷积网络中特征不确定性,通过公开数据集的多个实验,发现其可显著提高卷积神经网络的图像分类性能,优于现有最先进的池化方法。
- ICLRLiftPool: 双向卷积神经网络池化
本文提出了 LiftPool 池化方法,实现了双向池化层,包括 LiftDownPool 与 LiftUpPool。LiftDownPool 将特征图分解成多个不同频率信息的下采样子带,通过 LiftUpPool 进行精细化上采样并保留显著 - 使用 SoftPool 优化激活下采样
提出了一种快速有效的方法,在卷积神经网络中通过指数加权降采样操作以更好地保留信息,从而提高分类准确率和动作识别性能。
- ECCV基于协同学习的准确 RGB-D 显著物体检测
本研究提出了一种新颖的协作学习框架,其中边缘、深度和显著性以一种更有效的方式进行利用,解决了现有 RGB-D 模型中存在的问题,使其更轻量化、更快速和更多功能。实验结果表明,该模型在七个基准数据集上具有卓越的性能。
- 论序列 VAE 中后验崩溃和编码器特征分散
论文提出通过 pooling 来增加编码器特征的差异性,以防止 Variational autoencoders 中 posterior collapse 现象的出现,从而在数据对数似然方面取得了显著提高。
- 多级小波卷积神经网络
本文提出了一种多级小波卷积神经网络 (MWCNN) 模型,通过将小波变换嵌入到 CNN 体系结构中,以在减少特征映射分辨率和增加感受野之间实现更好的权衡,以实现图像去噪、单图像超分辨率、JPEG 图像伪影去除和物体分类等任务的有效性。
- CVPR一种基于简单池化设计的实时显著目标检测方法
研究如何扩展卷积神经网络中的池化作用来解决显著性目标检测问题,首先在 U 形架构下构建全局引导模块,然后使用特征聚合模块使粗略层次的语义信息与来自自上而下路径的细节信息很好地融合,最终能够更准确地定位显著对象并具有更高的运行速度。
- AAAI为端到端响应选择构建序列推理模型
本文提出了一种基于增强的序列推理模型的端到端响应选择模型,该模型采用了新的词表示方法、带有注意力机制的分层循环编码器、多维池化和池化方法等技术来解决 DSTC7 任务中响应选择的问题,并在 DSTC7 的评估结果中获得了较高排名。
- COLING用广义池化增强句子嵌入
本篇论文探讨了推广汇聚方法以增强句子嵌入,我们提出了基于向量的多头自注意力池化方法,该方法包括广泛使用的最大池化、平均池化和标量自注意力池化作为特殊情况,该模型通过适当设计的惩罚项减少多头注意力中的冗余,并在自然语言推理、作者配置文件和情感 - COLING端到端日语谓论结构分析中多谓词交互的无距离建模
本研究提出了新的日语 PAS 分析模型,通过扩展标准的双向循环神经网络模型的输入和最后一层,结合多个 PAS 中的论元标签预测信息,使用池化和注意机制直接捕捉多个 PAS 之间的潜在相互作用,并成功地改善了间接依赖关系的情况下的预测准确性, - 基于图的信号的卷积神经网络架构
该研究探索了卷积神经网络在图信号处理方面的应用,通过构建选择图神经网络和聚合图神经网络,对信号的卷积和池化进行了重新解释,实现了在图数据上的卷积神经网络。此外,该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和 - CVPR深度网络中的细节保护池化
本文介绍了一种基于最近图像降采样研究的深度学习方法,叫做细节保留池化 (DPP),它可以放大空间变化并保留重要的结构细节,其参数可以与网络的其余部分一起学习,在几个数据集和网络上的实验证明 DPP 方法在性能上优于常规池化方法。
- 一种新的卷积网络结构及其在皮肤检测、语义分割和伪影减少中的应用
本文提出了一种修改的卷积网络 Inception Network,在去除 dense prediction 和 pooling 的缺点基础上,将大型卷积核添加在每一层中,应用于典型的图像到图像学习问题中,表现出了比同类问题还要好的效果,如: - 深度学习中的卷积算术指南
本文介绍了一份指南,帮助深度学习从业者理解并操作卷积神经网络架构,阐明了卷积、池化和转置卷积层之间的各种属性(输入形状、核形状、零填充、步幅、输出形状)之间的关系,以及卷积和转置卷积层之间的关系,并为各种情况推导了这些关系,并进行了阐述,以 - 基于深度学习的音频事件识别中时间域和频率域的对比
本文研究了深度神经网络对频域和时域音频信号进行特征学习的效果,并利用卷积和池化进一步提高了音频事件识别的性能,实现了最先进的结果。