AAAI 2025 | FNIN：一种基于傅里叶神经算子的从表面梯度数值积分网络

于 2025-05-02 10:38:39 发布
阅读量154 收藏
点赞数 4
分类专栏： 计算机顶会顶刊论文解读 文章标签： AAAI 深度学习 论文解读 计算机顶会
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/146121841
版权

论文信息

题目：FNIN: A Fourier Neural Operator-based Numerical Integration Network for Surface-form-gradients
FNIN：一种基于傅里叶神经算子的从表面梯度数值积分网络
作者：Jiaqi Leng, Yakun Ju, Yuanxu Duan, Jiangnan Zhang, Qingxuan Lv, Zuxuan Wu, Hao Fan
源码：https://github.com/nailwatts/FNIN

论文创新点

  1. 创新的网络架构：提出基于傅里叶神经算子的数值积分网络FNIN，采用两阶段优化框架。第一阶段利用傅里叶神经算子在傅里叶空间逼近解算子，通过构建类似Rec - Net的结构保证解的唯一性；第二
了解本专栏 订阅专栏 解锁全文
YOLOv8全网首发优化：卷积魔改创新 | AAAI 2025 | 一种新颖的风车形卷积（PConv）符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野
01-17 727
我们提出了一种新颖的风车形卷积（PConv）作为骨干网络下层标准卷积的替代品。PConv能更好地符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野，且只引入最小的参数增加。
YOLO11优化：图像去噪 | AAAI2025 Transformer |一种基于Transformer的盲点网络（TBSN）架构 ，结合空间和通道自注意力层来增强网络能力
01-13 488
提出了一种基于Transformer的盲点网络（TBSN）架构，通过分析和重新设计Transformer运算符以满足盲点要求。TBSN遵循扩张BSN的架构原则，并结合空间和通道自注意力层来增强网络能力。
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导
热门推荐
知行合一，止于至善
08-24 16万+
文章目录1. 为什么会出现图卷积神经网络？2. 图卷积网络的两种类型2.1 vertex domain(spatial domain)：顶点域（空间域）2.2 spectral domain：频域方法（谱方法）3. 什么是拉普拉斯矩阵？3.1 常用的几种拉普拉斯矩阵普通形式的拉普拉斯矩阵对称归一化的拉普拉斯矩阵（Symmetric normalized Laplacian）随机游走归一化拉普拉斯矩...
Image Processing and Analysis_8_Edge Detection：Edge and line oriented contour detection State of the...
Alliswell_WP
09-28 2250
此主要讨论图像处理与分析。虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以 及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些 也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己 所用，或者从中得到灵感，这就够了。 8. Edge Detection 边缘检测也是图像处理中的一个基本任务。...
基于3D关节点的人体动作识别综述
yeluohanchan的博客
12-04 6万+
文基于3D关节点的人体动作识别综述 原文：2016，Pattern Recognition： 3D skeleton-based human action classification: A survey 摘要 近年来，基于深度序列的人体动作分类的研究越来越多，出现了基于不同数据源：深度图或RGB视频的3D人体关节的人体动作分类的方法以及特征表示方法。 本文...
Object Detection in 20 Years: A Survey 20年间的目标检测：综述
学习日常分享
05-16 6313
摘要 物体检测作为计算机视觉中最基本和最具挑战性的问题之一，近年来受到了极大的关注。它在过去二十年中的发展可以看作是计算机视觉历史的缩影。如果我们把今天的物体探测看成是深度学习力量下的技术美学，那么把时钟拨回到20年前，我们就见证了冷武器时代的智慧。本文根据其技术演变（从1990年代到2019年）广泛回顾了400多篇关于物体检测的论文。本文涵盖了许多主题，包括历史上的里程碑探测器，检测数据集，指标，检测系统的基本构建块，加速技术以及最近的最先进的检测方法。本文还综述了行人检测、人脸检测、文本检测等一些重要的
基于3D关节点的人体动作识别综述（转）
qq_38522972的博客
11-05 7241
原文：2016，Pattern Recognition： 3D skeleton-based human action classification: A survey 摘要 近年来，基于深度序列的人体动作分类的研究越来越多，出现了基于不同数据源：深度图或RGB视频的3D人体关节的人体动作分类的方法以及特征表示方法。 本文着眼于人体动作识别领域的进展及挑战，总结了基于3D骨架的动作分类的...
AI类课程的笔记
natural_Caduceus
10-06 863
信息论、导论、模式识别（数据挖掘）、语义网络与知识图谱、深度学习、强化学习
51c大模型~合集94
whaosoft~aiotの开发板商城
12-22 976
DeepSeek - R1 - Lite 的正确率为 0.611（33/54），o1 - preview 的正确率为 0.574（31/54），其他模型如 QwQ - 32B - Preview、K0 - math、InternThinker - Alpha 的正确率则相对较低，分别为 0.519（28/54）、0.426（23/54）、0.315（17/54）。最后，加强对模型可解释性的研究，探索有效的方法和技术，使模型的推理过程更加透明、可理解，增强用户对模型的信任和应用的可靠性。
深度学习大模型学习100tips
xw555666的博客
11-07 2万+
通过深入了解这些细节，并在实际项目中应用相关的知识，将能够更好地理解和利用大模型的潜力，不仅在学术研究中，也在工程实践中。通过不断探索新方法、参与项目和保持热情，并将其应用于各种领域，从自然语言处理到计算机视觉和自动驾驶。通过不断学习、实践和探索，可以不断提升自己在深度学习领域的技能和洞察力，同时也能为社会和行业带来创新和改进。从小规模的项目和模型开始，逐渐迭代和扩展到更大的模型，逐步积累经验，最终能够处理大模型和复杂任务。分享您的研究成果和代码，以获得反馈和建立声誉。
AAAI2025最新论文解读|SparseViT: Nonsemantics-Centered, Parameter-Efficient Image Manipulation Localization
paixiaoxin的博客
01-09 551
本文提出了一种名为SparseViT的新型视觉变换器模型，用于图像操纵定位（IML）。SparseViT通过稀疏自注意力机制自适应地提取与图像内容无关但对图像操纵敏感的非语义特征。与依赖手工特征提取器的传统方法相比，SparseViT在模型泛化能力和计算效率方面均取得了显著提升。实验结果表明，SparseViT在多个基准数据集上均优于现有的IML模型。
AAAI 2023 | LipCDE: 连续时间观测下的因果效应推断
AITIME_HY的博客
03-16 654
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！曹德福：南加州大学(USC)Melady Lab 二年级博士生，研究方向包括因果推断和时间序列，已发表包含NeurIPS, ICLR, AAAI在内的国际顶会论文十余篇，AAAI 2023预讲论文一作学者。研究背景在连续时间观测情况下，当我们考虑到有存在我们没有观测到的confounders(混杂因素)的存在的条件下，我们怎么样去做这样的...
YOLO11全网首发优化：损失篇 | AAAI 2025 | 一种基于尺度的动态（SD）损失，根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力
01-20 634
根据目标尺度动态调整Sloss和Lloss的影响系数，以减少标签不准确对损失函数稳定性的影响。较小的目标在BBox标签的Sloss中获得较低的关注权重。掩码标签可以提高检测精度，特别是对于较小或形状不规则的目标
在深度学习中，什么是线性插值（linear interpolation）？
weixin_44649780的博客
04-30 433
线性插值是寻找两个点之间中间值的最基础方法之一，广泛应用于：数值计算计算机图形学机器学习和深度学习它的标准公式是：x0,x1∈Rn：两个向量或标量t∈[0,1]：插值系数（0 表示完全靠近 x0，1 表示完全靠近 x1​）它对应的是两个点之间的一条线段轨迹。线性插值就是“在两个已知点之间，按一定比例找到中间点”的方法，无论是图像、特征、模型参数，它都可以用来“平滑地过渡”。📢 想要了解更多内容，可在VX小程序搜索🔍AI Pulse,获取更多最新内容。
远程深度学习新环境配置流程
weixin_45668967的博客
04-30 286
下载并安装适合你系统的 Miniconda 版本。
Transformer：颠覆深度学习的架构革命与技术演进
源滚滚编程
04-30 1670
2017年，谷歌团队在论文《Attention Is All You Need》中提出的Transformer架构，彻底改变了人工智能对序列数据的处理范式。通过这种机制，模型能够自动识别并强化相关位置的语义关联，例如在句子“The cat sat on the mat”中，“cat”与“sat”的关联权重显著高于其他无关词汇。其核心思想是：每个位置的输入向量通过**查询（Query）、键（Key）、值（Value）**三个矩阵变换，动态计算与其他位置的关联权重。，实现了全局上下文感知与并行计算的完美平衡。
《解锁LibTorch：开启C++深度学习新征程》
最新发布
zheng_ruiguo的专栏
04-30 682
LibTorch 作为 PyTorch 的 C++ 接口，凭借其独特的优势在深度学习领域占据了重要的一席之地。它不仅继承了 PyTorch 的动态计算图和自动求导机制，还充分发挥了 C++ 语言的高性能和低延迟特性，为深度学习的研究和应用提供了强大的支持。从功能特性上看，LibTorch 在张量操作、神经网络训练与推理、多平台支持以及与 Python 的互操作性等方面表现出色。其张量操作接口简洁高效，与 PyTorch 类似，方便开发者快速上手。
基于Python Flask的深度学习电影评论情感分析可视化系统（2.0升级版，附源码）
IT徐师兄
04-27 1149
基于Python Flask的深度学习电影评论情感分析可视化系统（2.0升级版），集成了Flask框架与先进的word2vec向量模型，能够自动解析影评文本的情感倾向，精准评估电影的好评与差评比例，并通过直观的可视化界面展示分析结果。该项目通过大数据技术分析海量影评，量化好评与差评的分布，为电影评论提供全面的汇总评价分析。
一种用于从视网膜图像中识别疾病的 BERT 式自监督学习 CNN
hao_wujing的专栏
04-28 727
在我们的网络中，输出图像的大小为(224,224)，下采样率为32，使我们的蒙版大小为(7,7).我们进一步使用从预训练模块中学到的特征图进行分类研究。此外，与传统的 CNN 相比，ViT 在图像处理中表现出较少的定位能力，因为它们的机制主要针对图像的块级，而不是直接关注单个像素。].我们在 CNN 中观察到的优势，以及预训练对自我监督学习的显着好处，以及 ViT 的潜在缺点，都激发了进一步的思考：是否有可能将性能良好的 CNN 与 BERT 风格的生成式自我监督学习相结合进行预训练，以结合两者的优势？
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值