- Сферические CNN на неструктурированных сетках (arXiv)
Автор: Чию «Макс Цзян», Цзинвэй Хуан, Картик Кашинатх, Прабхат, Филип Маркус, Маттиас Нисснер.
Аннотация: Мы представляем эффективное ядро свертки для сверточных нейронных сетей (CNN) на неструктурированных сетках с использованием параметризованных дифференциальных операторов, фокусируясь на сферических сигналах, таких как панорамные изображения или планетарные сигналы. С этой целью мы заменяем обычные ядра свертки линейными комбинациями дифференциальных операторов, которые взвешиваются по обучаемым параметрам. Дифференциальные операторы можно эффективно оценивать на неструктурированных сетках с использованием соседей по одному кольцу, а обучаемые параметры можно оптимизировать с помощью стандартного обратного распространения. В результате мы получаем чрезвычайно эффективные нейронные сети, которые соответствуют или превосходят современные сетевые архитектуры по производительности, но со значительно меньшим количеством сетевых параметров. Мы оцениваем наш алгоритм в обширной серии экспериментов по различным задачам компьютерного зрения и климатологии, включая классификацию форм, сегментацию климатических моделей и всенаправленную семантическую сегментацию изображений. В целом, мы представляем (1) новый подход CNN к неструктурированным сеткам с использованием параметризованных дифференциальных операторов для сферических сигналов, и (2) мы показываем, что наша уникальная параметризация ядра позволяет нашей модели достичь такой же или более высокой точности при значительно меньшем количестве сетевых параметров.
2. DeepSphere: к эквивариантной сферической CNN на основе графа (arXiv)
Автор: Микаэль Дефферар, Натанаэль Перроден, Томаш Кацпшак, Рафаэль Сгир.
Аннотация: Сферические данные используются во многих приложениях. Моделируя дискретизированную сферу в виде графа, мы можем учитывать неравномерно распределенные, частичные и меняющиеся выборки. Кроме того, графовые свертки вычислительно более эффективны, чем сферические свертки. Поскольку для использования симметрии вращения требуется эквивариантность, мы обсудим, как приблизиться к эквивариантности вращения, используя графовую нейронную сеть, представленную в Defferrard et al. (2016). Эксперименты показывают хорошую производительность в задачах обучения, инвариантных к вращению. Код и примеры доступны по адресу https://github.com/SwissDataScienceCenter/DeepSphere.
