論文の概要: e3nn: Euclidean Neural Networks

• arxiv url: http://arxiv.org/abs/2207.09453v1
• Date: Mon, 18 Jul 2022 21:19:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 12:32:15.715075
• Title: e3nn: Euclidean Neural Networks
• Title（参考訳）: e3nn:ユークリッドニューラルネットワーク
• Authors: Mario Geiger and Tess Smidt
• Abstract要約: e3nnは、ユークリッドニューラルネットワーク(Euclidean Neural Network)として知られる、E(3)同変のトレーニング可能な関数を作成するためのフレームワークである。 e3nnは3次元のシステムを記述する幾何学的テンソルと幾何学的テンソルを自然に操作し、座標系の変化の下で予測可能な変換を行う。 これらのe3nnのコア演算は、フィールドネットワーク、3次元ステアブルCNN、クレブシュ・ゴルダンネットワーク、SE(3)トランスフォーマー、その他のE(3)同変ネットワークを効率的に調音するのに使うことができる。
• 参考スコア（独自算出の注目度）: 3.231986804142223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present e3nn, a generalized framework for creating E(3) equivariant trainable functions, also known as Euclidean neural networks. e3nn naturally operates on geometry and geometric tensors that describe systems in 3D and transform predictably under a change of coordinate system. The core of e3nn are equivariant operations such as the TensorProduct class or the spherical harmonics functions that can be composed to create more complex modules such as convolutions and attention mechanisms. These core operations of e3nn can be used to efficiently articulate Tensor Field Networks, 3D Steerable CNNs, Clebsch-Gordan Networks, SE(3) Transformers and other E(3) equivariant networks.
• Abstract（参考訳）: ユークリッドニューラルネットワーク(Euclidean Neural Network)として知られるE(3)同変トレーニング可能な関数を生成するための一般化されたフレームワークであるe3nnを提案する。 e3nnは自然に3dの系を記述する幾何学的および幾何学的テンソルに作用し、座標系の変化の下で予測可能な変換を行う。 e3nn の中核はテンソル積類や球面調和関数のような同変演算であり、畳み込みや注意機構のようなより複雑な加群を生成するために構成できる。 これらのe3nnのコア演算は、テンソルフィールドネットワーク、3DステアブルCNN、クレブシュ・ゴルダンネットワーク、SE(3)トランスフォーマーおよび他のE(3)同変ネットワークを効率的に調合するのに使うことができる。

関連論文リスト

• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• PDO-s3DCNNs: Partial Differential Operator Based Steerable 3D CNNs [69.85869748832127]
  本研究では、3Dフィルタをモデル化するために偏微分演算子(PDO)を用い、PDO-s3DCNNと呼ばれる一般的な3D CNNを導出する。 等変フィルタは線形制約の対象であり, 様々な条件下で効率的に解けることを示す。
  論文  参考訳（メタデータ） (2022-08-07T13:37:29Z)
• VNT-Net: Rotational Invariant Vector Neuron Transformers [3.04585143845864]
  本稿では,最近導入されたベクトルニューロンと自己注意層を組み合わせた回転不変ニューラルネットワークを提案する。 実験により、我々のネットワークは任意のポーズで3Dポイントのクラウドオブジェクトを効率的に処理することを示した。
  論文  参考訳（メタデータ） (2022-05-19T16:51:56Z)
• Vector Neurons: A General Framework for SO(3)-Equivariant Networks [32.81671803104126]
  本稿では,ベクトルニューロン表現(Vector Neuron representations)をベースとした汎用フレームワークを提案する。 我々のベクトルニューロンは、SO(3) の作用を潜在空間へ簡単にマッピングできる。 また、回転等変性再構成ネットワークを初めて示しました。
  論文  参考訳（メタデータ） (2021-04-25T18:48:15Z)
• Equivariant Point Network for 3D Point Cloud Analysis [17.689949017410836]
  点雲解析のための実効的で実用的なSE(3)(3次元翻訳と回転)同変ネットワークを提案する。 まず,6次元の畳み込みを2つの分離可能な畳み込み作用素に分解する新しい枠組みであるSE(3)分離点畳み込みを提案する。 第2に,同変特徴の表現性を効果的に活用するアテンション層を導入する。
  論文  参考訳（メタデータ） (2021-03-25T21:57:10Z)
• 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)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。