論文の概要: Riemannian Local Mechanism for SPD Neural Networks
- arxiv url: http://arxiv.org/abs/2201.10145v3
- Date: Fri, 19 May 2023 07:40:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 20:11:04.840319
- Title: Riemannian Local Mechanism for SPD Neural Networks
- Title(参考訳): spdニューラルネットワークのためのリーマン局所機構
- Authors: Ziheng Chen, Tianyang Xu, Xiao-Jun Wu, Rui Wang, Zhiwu Huang, Josef
Kittler
- Abstract要約: 我々は,SPDネットワークにおける局所的幾何情報の保存を確実にすることが最重要であると論じている。
まず、ユークリッドの深層ネットワークにおけるローカル情報を取得するためによく使われる畳み込み演算子を分析した。
この分析に基づいて、SPD多様体の局所情報を定義し、局所幾何学をマイニングするためのマルチスケールサブマニフォールドブロックを設計する。
- 参考スコア(独自算出の注目度): 43.789561494266316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Symmetric Positive Definite (SPD) matrices have received wide attention
for data representation in many scientific areas. Although there are many
different attempts to develop effective deep architectures for data processing
on the Riemannian manifold of SPD matrices, very few solutions explicitly mine
the local geometrical information in deep SPD feature representations. Given
the great success of local mechanisms in Euclidean methods, we argue that it is
of utmost importance to ensure the preservation of local geometric information
in the SPD networks. We first analyse the convolution operator commonly used
for capturing local information in Euclidean deep networks from the perspective
of a higher level of abstraction afforded by category theory. Based on this
analysis, we define the local information in the SPD manifold and design a
multi-scale submanifold block for mining local geometry. Experiments involving
multiple visual tasks validate the effectiveness of our approach. The
supplement and source code can be found in
https://github.com/GitZH-Chen/MSNet.git.
- Abstract(参考訳): 対称正定値行列(SPD)は多くの科学分野においてデータ表現に広く注目されている。
SPD行列のリーマン多様体上のデータ処理に有効な深層アーキテクチャを開発する試みは数多くあるが、深部SPD特徴表現における局所幾何学的情報を明示的に抽出する解はほとんどない。
ユークリッド法における局所的メカニズムの大きな成功を考えると、SPDネットワークにおける局所的幾何学情報の保存を確実にすることが最も重要であると論じる。
まず, ユークリッド深層ネットワークの局所情報取得に一般的に用いられる畳み込み演算子を, カテゴリー理論によって与えられる高レベルな抽象化の観点から解析する。
この分析に基づいて、SPD多様体の局所情報を定義し、局所幾何学をマイニングするためのマルチスケールサブマニフォールドブロックを設計する。
複数の視覚的タスクを含む実験は、我々のアプローチの有効性を検証する。
サプリメントとソースコードはhttps://github.com/GitZH-Chen/MSNet.gitにある。
関連論文リスト
- Riemannian Self-Attention Mechanism for SPD Networks [34.794770395408335]
本稿では,SPD多様体自己アテンション機構(SMSA)を提案する。
構造化表現の識別を改善するためにSMSAベースの幾何学習モジュール(SMSA-GL)を設計する。
論文 参考訳(メタデータ) (2023-11-28T12:34:46Z) - Riemannian Multiclass Logistics Regression for SPD Neural Networks [54.418735373762004]
対称正定値行列(SPD)を学習するためのディープニューラルネットワークは、機械学習において注目を集めている。
既存のSPDネットワークの多くは、固有分類器ではなく、近似空間上の伝統的なユークリッド分類器を使用している。
双曲型ニューラルネットワーク(HNN)の成功に触発されて,SPDネットワークのためのリーマン型マルチクラスロジスティクスレグレッション(RMLR)を提案する。
論文 参考訳(メタデータ) (2023-05-18T20:12:22Z) - Adaptive Riemannian Metrics on SPD Manifolds [67.48576298756996]
対称正定値行列(SPD)は、データの構造的相関を符号化する本質的な能力のため、機械学習において広く注目を集めている。
既存の固定計量テンソルは、SPD行列学習、特にSPDニューラルネットワークの準最適性能をもたらす可能性がある。
論文 参考訳(メタデータ) (2023-03-26T18:31:52Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-10-19T17:56:03Z) - DreamNet: A Deep Riemannian Network based on SPD Manifold Learning for
Visual Classification [36.848148506610364]
SPD行列学習のための新しいアーキテクチャを提案する。
深層表現を豊かにするために、SPDNetをバックボーンとして採用する。
次に、SRAEの表現能力を高めるために、ショートカット接続を持つ残余ブロックをいくつか挿入する。
論文 参考訳(メタデータ) (2022-06-16T07:15:20Z) - DeepSSN: a deep convolutional neural network to assess spatial scene
similarity [11.608756441376544]
本稿では,深部空間シーンネットワーク(Deep Space Scene Network,DeepSSN)を提案する。
提案したDeepSSNを用いて,スケッチマップを用いた空間問合せをユーザが入力する空間シーン探索システムを開発した。
提案手法は,データ拡張後の131,300個のラベル付きシーンサンプルを含むマルチソース・コンバウンド・マップデータを用いて検証する。
論文 参考訳(メタデータ) (2022-02-07T23:53:20Z) - DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous
Information Networks [64.62314068155997]
本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。
DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。
当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
論文 参考訳(メタデータ) (2022-01-08T04:08:36Z) - Towards Interpretable Deep Networks for Monocular Depth Estimation [78.84690613778739]
我々は,深部MDEネットワークの解釈可能性について,その隠蔽ユニットの深さ選択性を用いて定量化する。
本稿では,解釈可能なMDE深層ネットワークを,元のアーキテクチャを変更することなく学習する手法を提案する。
実験により,本手法は深部MDEネットワークの解釈可能性を向上させることができることが示された。
論文 参考訳(メタデータ) (2021-08-11T16:43:45Z)
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。