論文の概要: DeepSphere: a graph-based spherical CNN

• arxiv url: http://arxiv.org/abs/2012.15000v1
• Date: Wed, 30 Dec 2020 01:35:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 19:10:40.518920
• Title: DeepSphere: a graph-based spherical CNN
• Title（参考訳）: DeepSphere: グラフベースの球面CNN
• Authors: Micha\"el Defferrard, Martino Milani, Fr\'ed\'erick Gusset, Nathana\"el Perraudin
• Abstract要約: DeepSphereは球状ニューラルネットワークのグラフ表現である。 効率と回転等分散の制御可能なバランスをいかに達成するかを示す。 実験は最先端のパフォーマンスを示し、この定式化の効率性と柔軟性を示す。
• 参考スコア（独自算出の注目度）: 1.433758865948252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing a convolution for a spherical neural network requires a delicate tradeoff between efficiency and rotation equivariance. DeepSphere, a method based on a graph representation of the sampled sphere, strikes a controllable balance between these two desiderata. This contribution is twofold. First, we study both theoretically and empirically how equivariance is affected by the underlying graph with respect to the number of vertices and neighbors. Second, we evaluate DeepSphere on relevant problems. Experiments show state-of-the-art performance and demonstrates the efficiency and flexibility of this formulation. Perhaps surprisingly, comparison with previous work suggests that anisotropic filters might be an unnecessary price to pay. Our code is available at https://github.com/deepsphere
• Abstract（参考訳）: 球形ニューラルネットワークの畳み込みを設計するには、効率と回転同分散の微妙なトレードオフが必要である。 サンプル球のグラフ表現に基づくDeepSphereは、これらの2つのデシダータの間に制御可能なバランスを打つ。 この貢献は2つある。 まず、各頂点および近傍の数に関して、基礎となるグラフによる等式の影響について理論的および実証的に検討する。 次に,DeepSphereの問題点について検討した。 実験は最先端のパフォーマンスを示し、この定式化の効率性と柔軟性を示す。 おそらく意外なことに、以前の研究と比較すると、異方性フィルターは不必要に支払う価格になるかもしれない。 私たちのコードはhttps://github.com/deepsphereで利用可能です。

関連論文リスト

• Spherical Frustum Sparse Convolution Network for LiDAR Point Cloud Semantic Segmentation [62.258256483231484]
  LiDARポイントクラウドセマンティックセグメンテーションにより、ロボットは周囲の環境のきめ細かいセマンティック情報を得ることができる。 多くの研究が2Dイメージ上にポイントクラウドを投影し、LiDARポイントクラウドセマンティックセグメンテーションのための2D畳み込みニューラルネットワーク(CNN)またはビジョントランスフォーマーを採用する。 本稿では,情報損失の定量化を回避するために,新しい球状フラストラム構造を提案する。
  論文  参考訳（メタデータ） (2023-11-29T09:55:13Z)
• Scaling Spherical CNNs [19.735829027026902]
  球面の畳み込みがより大きな問題に対してどのようにスケールできるかを示す。 実験により、我々のより大きな球状CNNが、QM9分子ベンチマークのいくつかのターゲットで最先端に達することが示された。
  論文  参考訳（メタデータ） (2023-06-08T17:59:08Z)
• O$n$ Learning Deep O($n$)-Equivariant Hyperspheres [18.010317026027028]
  我々は、$n$Dの反射と回転の変換の下で、深い特徴同変を学習するためのアプローチを提案する。 すなわち、任意の次元$n$に一般化する球面決定曲面を持つ O$(n)$-同変ニューロンを提案する。 我々は理論的貢献を実験的に検証し、O$(n)$-equivariantベンチマークデータセットの競合する手法よりもアプローチの方が優れていることを発見した。
  論文  参考訳（メタデータ） (2023-05-24T23:04:34Z)
• Injectivity of ReLU networks: perspectives from statistical physics [22.357927193774803]
  単一の層, $x mapto mathrmReLU(Wx)$, ランダムガウス$m×n$行列$W$ を考える。 最近の研究は、この問題を球形積分幾何に結び付け、あるランダム集合の期待されるオイラー特性を研究することによって$alpha = fracmn$に対する予想された鋭い射影しきい値を得る。 インジェクティビティは球面の基底状態の性質と同値であることを示す。
  論文  参考訳（メタデータ） (2023-02-27T19:51:42Z)
• Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
  点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。 第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
  論文  参考訳（メタデータ） (2023-02-02T08:33:36Z)
• Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
  グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。 ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。 我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-15T08:01:08Z)
• Locality defeats the curse of dimensionality in convolutional teacher-student scenarios [69.2027612631023]
  学習曲線指数$beta$を決定する上で,局所性が重要であることを示す。 我々は、自然の仮定を用いて、トレーニングセットのサイズに応じて減少するリッジでカーネルレグレッションを実行すると、リッジレスの場合と同じような学習曲線指数が得られることを証明して結論付けた。
  論文  参考訳（メタデータ） (2021-06-16T08:27:31Z)
• PDO-e$\text{S}^\text{2}$CNNs: Partial Differential Operator Based Equivariant Spherical CNNs [77.53203546732664]
  我々は偏微分演算子を用いて球等価CNN, PDO-e$textStext2$CNNを設計する。 実験では、pdo-e$textstext2$cnnsはパラメータ効率が高く、いくつかのタスクで他の球面cnnを大きく上回る。
  論文  参考訳（メタデータ） (2021-04-08T07:54:50Z)
• Spin-Weighted Spherical CNNs [58.013031812072356]
  球面領域を離れることなく, 異方性フィルタを効率的に行うことができる新しい球面CNNを提案する。 鍵となる考え方は、重力波の研究において物理学で導入されたスピン重み付き球面関数を考えることである。 本手法は, 球面画像の分類, 3次元形状の分類, 球面パノラマのセマンティックセグメンテーションといったタスクにおいて, 従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-06-18T17:57:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。