Fugu-MT 論文翻訳(概要): Scattering Networks on the Sphere for Scalable and Rotationally Equivariant Spherical CNNs

論文の概要: Scattering Networks on the Sphere for Scalable and Rotationally Equivariant Spherical CNNs

arxiv url: http://arxiv.org/abs/2102.02828v1
Date: Thu, 4 Feb 2021 19:00:01 GMT
ステータス: 処理完了
システム内更新日: 2021-02-08 14:44:40.285220
Title: Scattering Networks on the Sphere for Scalable and Rotationally Equivariant Spherical CNNs
Title（参考訳）: スケーラブルかつ等変な球状CNNのための球面上の散乱ネットワーク
Authors: Jason D. McEwen, Christopher G. R. Wallis, Augustine N. Mavor-Parker
Abstract要約: 我々は球面上に構築された散乱ネットワークを開発し、球面データに強力な表現空間を提供する。一般化球面CNNフレームワークにおいて,散乱ネットワークを付加的なタイプの層として統合することにより,多くの実用的な応用で典型的な高分解能データに対して,その利用方法を示す。
参考スコア（独自算出の注目度）: 2.453627017761322
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Convolutional neural networks (CNNs) constructed natively on the sphere have been developed recently and shown to be highly effective for the analysis of spherical data. While an efficient framework has been formulated, spherical CNNs are nevertheless highly computationally demanding; typically they cannot scale beyond spherical signals of thousands of pixels. We develop scattering networks constructed natively on the sphere that provide a powerful representational space for spherical data. Spherical scattering networks are computationally scalable and exhibit rotational equivariance, while their representational space is invariant to isometries and provides efficient and stable signal representations. By integrating scattering networks as an additional type of layer in the generalized spherical CNN framework, we show how they can be leveraged to scale spherical CNNs to the high resolution data typical of many practical applications, with spherical signals of many tens of megapixels and beyond.
Abstract（参考訳）: 近年,球面上にネイティブに構築された畳み込みニューラルネットワーク(cnns)が開発され,球面データの解析に非常に有効であることが示されている。効率的なフレームワークが定式化されているが、球面CNNは高度に計算が要求され、通常数千ピクセルの球面信号を超えてスケールできない。我々は球面データに強力な表現空間を提供する球面上にネイティブに構築された散乱ネットワークを開発する。球面散乱ネットワークは計算にスケーラブルであり、回転同値を示すが、その表現空間はイソメトリーに不変であり、効率的で安定した信号表現を提供する。一般化球面cnnフレームワークにおいて、散乱ネットワークを付加的な層として統合することにより、球面cnnを数十メガピクセル以上の球面信号を含む、多くの実用的なアプリケーションで典型的な高分解能データにスケールする方法を示す。

関連論文リスト

SphereDiffusion: Spherical Geometry-Aware Distortion Resilient Diffusion Model [63.685132323224124]
制御可能な球状パノラマ画像生成は、様々な領域でかなりの応用可能性を持っている。本稿では,これらの課題に対処するために,SphereDiffusionの新しいフレームワークを提案する。 Structured3Dデータセットの実験では、SphereDiffusionは制御可能な球面画像生成の品質を大幅に改善し、平均して約35%のFIDを相対的に削減している。
論文参考訳（メタデータ） (2024-03-15T06:26:46Z)
Hybrid Neural Representations for Spherical Data [25.080272865553003]
我々は,Hybrid Neural Representations for Spherical Data (HNeR-S)という新しい手法を提案する。主目的は、球面特徴格子を用いて、多層認識と組み合わせた位置特徴を求め、目標信号を予測することである。気象データとCMBデータに一致した等方的および階層的等方性等方性等方性画素化構造を持つ特徴格子について考察する。
論文参考訳（メタデータ） (2024-02-05T13:03:00Z)
Learnable wavelet neural networks for cosmological inference [5.1268138545584145]
学習可能な散乱変換は、トレーニング可能なウェーブレットをフィルタとして使用する畳み込みニューラルネットワークの一種である。本稿では,散乱変換に基づく2つのモデルについて述べる。散乱アーキテクチャは、小さなトレーニングデータサンプルの場合において、CNNよりもはるかに優れていることが判明した。
論文参考訳（メタデータ） (2023-07-24T22:12:16Z)
Spherical Feature Pyramid Networks For Semantic Segmentation [0.0]
球面メッシュ上で信号を表現するグラフベースモデルを開発した。従来最高の球面CNNよりも3.75IoUポイント向上したmIOUの48.75で最先端の性能を実現した。
論文参考訳（メタデータ） (2023-07-05T21:19:13Z)
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)
Improvising the Learning of Neural Networks on Hyperspherical Manifold [0.0]
教師付き設定における畳み込みニューラルネットワーク(CNN)の影響は、大幅なパフォーマンス向上をもたらした。 CNNの超球面多様体上での操作から学んだ表現は、顔認識において洞察に富んだ結果をもたらした。ユークリッド空間におけるソフトマックスよりも優れた超球直観によって、幅広い活性化関数が発達する。
論文参考訳（メタデータ） (2021-09-29T22:39:07Z)
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)
Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
論文参考訳（メタデータ） (2021-03-18T19:05:04Z)
Spherical Transformer: Adapting Spherical Signal to CNNs [53.18482213611481]
Spherical Transformerは、球状信号を標準CNNで直接処理できるベクトルに変換できます。我々は,球面MNIST認識,3次元オブジェクト分類,全方向画像セマンティックセグメンテーションの課題に対するアプローチを評価する。
論文参考訳（メタデータ） (2021-01-11T12:33:16Z)
A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文参考訳（メタデータ） (2020-10-15T12:15:02Z)
Spherical Convolutional Neural Networks: Stability to Perturbations in SO(3) [175.96910854433574]
球状畳み込みニューラルネットワーク(Spherical Convolutional Neural Network, Spherical CNN)は、データ構造を利用して3次元データから非線形表現を学習する。本稿では,球状CNNが球状信号に固有の回転構造に関係しているとして,その特性について検討する。
論文参考訳（メタデータ） (2020-10-12T17:16:07Z)

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。