Submanifold Sparse Convolutional Networks

最新推荐文章于 2026-07-18 17:44:34 发布
原创 最新推荐文章于 2026-07-18 17:44:34 发布 · 1.6k 阅读 · 1
本文介绍了一种新的卷积网络架构——事件驱动异步稀疏卷积网络(Event-based Asynchronous Sparse Convolutional Networks)，该网络专门针对稀疏数据设计，通过子流形卷积和有效维度概念处理稀疏性挑战，提出Sparse Convolution和Valid Sparse Convolution两种操作，构建了改进的VGG、ResNet和DensNet模块。

学习文章Event-based Asynchronous Sparse Convolutional Networks涉及到本文的稀疏卷积操作。

关注点

目前卷积网络主要对密集输入进行处理，但是现实中有许多数据是稀疏的，作者提出了稀疏卷积操作用于处理系数点，该卷积可以在子流形结构上进行操作。

1.Motivation

1.1子流形膨胀

在这里插入图片描述
如图所示，一维的源泉在二维平面上进行卷积操作时，发现随着卷积层数的增加，输出的特征图的稀疏性会迅速消失。

子流形用于表示稀疏数据，因为它的有效维数低于它所在的空间，例如二维空间的一维曲线或者三维空间中的二维曲面。

1.2 SC和VSC

Sparse Convolution(SC):

表示为SC(m,n,f,s)，其中m表示输入特征平面(通道数)，n表示输出的特征平面(channel)，f表示filter size，s表示步长。其中f可以为non-square的，例如1x7或者7x1大小。
SC与普通卷积不同之处主要在于，它假设非活跃位点的输入恰好为0，从而丢弃了基态(ground state)。

  • SC的输入输出变化：输入大小为l时，输出为(l-f+s)/s；
  • 普通卷积的输入输出变化：输入大小为l时，输出为(l-f+2p)/s+1。
  • 对于active site而言。对于之后的层，如果一个site的感受野中存在actives site, 那么这个site为active site，与普通卷积的操作相同
最低0.47元/天 解锁文章
稀疏卷积【1】Submanifold Sparse Convolutional Networks
weixin_38087692的博客
07-18 7986
学习submanifold sparse convolutional networks是因为在看3D点云目标检测文章时遇到了问题，在3D点云目标检测问题中，相关算法如PVrcnn，pointnet系列，Voxelnet都使用了3D sparse convolutional作为提取特征的工具，这一部分有必要深入了解。 Submanifold Sparse Convolutional Networks 文章研究动机和目标 此处是摘要内容，我结合了最近在研究的PVrcnn文章来分析稀疏卷积。 卷积网络是分析图像
稀疏卷积Submanifold Sparse Convolutional Networks
weixin_43823175的博客
05-06 4021
稀疏卷积Submanifold Sparse Convolutional Networks 论文 Submanifold Sparse Convolutional Networks 论文地址：https://arxiv.org/pdf/1706.01307.pdf 本文提出了稀疏卷积，介绍了具体的做法，后续很多三维点云语义分割/目标识别都沿用了这种做法 参考：https://blog.csdn.net/u013066730/article/details/108512125论文的解释 https://zhu
【稀疏卷积】Submanifold Sparse Convolutional Networks
mjiansun的专栏
09-10 6159
子流形稀疏卷积网络 出版时间：2019 作者：Benjamin Graham, Laurens van der Maaten。 Facebook AI Research 代码地址 看到最近很多关于点云的网络都用到这个方法，就来读一下。 摘要 卷积处理的数据（比如图片）一般都是很dense的，但是有些数据是sparse的（比如点云数据，在纸上形成的笔画）。在这些稀疏数据上直接用dense的卷积网络是非常没有效率的。本文引入了一种稀疏卷积运算，该运算针对处理稀疏数据而定制，与之前的稀疏卷积网络的工作
【文章阅读】Submanifold Sparse Convolutional Networks
有所为，有所成长
10-27 4738
Brief  最近看到很多的卷积结构都采用了subm层，很好奇这是个什么结构，然后无意间看到了这一篇文章，应该就是目前比较通用的结构。例如目前在榜单前3名的par2par^2par2的如下结构，采用的就是这种单元结构搭建的。 Abstruct 目前的卷积网络都是用于对密集表达的处理，但是很多数据都是稀疏的；因此作者提出的稀疏卷积操作用于处理稀疏点，作者指出该就够的卷积仅仅是在子流行结构上操作，而...
StyleGAN2预训练模型还能这么用？深入拆解GFPGAN的通道分割SFT层设计精妙之处
weixin_30564785的博客
05-30 367
本文深入解析了GFPGAN中创新的通道分割空间特征变换（CS-SFT）层设计，该技术巧妙结合StyleGAN2的生成式面部先验与输入图像保真度，解决了传统盲脸修复中的身份偏移和细节失真问题。通过动态特征选择机制和多尺度融合，CS-SFT层在保持自然真实的同时实现了惊人的细节还原精度，为人脸修复领域带来突破性进展。
稀疏卷积—Submanifold Sparse Convolutional Networks
Code_YGP的博客
12-11 540
稀疏卷积—Submanifold Sparse Convolutional Networks 转自链接:https://blog.csdn.net/u013066730/article/details/108512125
论文阅读：3D Semantic Segmentation with Submanifold Sparse Convolutional Networks
qq_53086461的博客
03-05 1780
SSCN，sparse convolutional networks
阅读笔记--[CVPR2018] 3D Semantic Segmentation with Submanifold Sparse Convolutional Networks
qq_37109317的博客
02-01 1917
文章目录一、Introduction二、Spatial Sparsity for Convolutional Networks三、Submanifold Convolutional Networks1、Sparse Convolution Operations2、Implementation四、Submanifold FCNs and U-Nets for Semantic Segmentation五、Experiments 一、Introduction 卷积网络(ConvNets)构成了最先进的方法，用
3D (Input) Sparse Convolution
maxzcl的博客
05-24 1018
Review: 2D sparsity in DNNs Sparsity in Deep Learning_EverNoob的博客-CSDN博客 ==> the above mentioned 2Dsparsity is decidedly different from the 3D sparsity situation, in that we manually created the structured sparsity to cut down memory footprint, whil.
3D稀疏卷积
weixin_43823175的博客
05-06 2265
3D稀疏卷积 论文地址：https://arxiv.org/pdf/1711.10275.pdf 论文 3D Semantic Segmentation with Submanifold Sparse Convolutional Networks 摘要 卷积网络是分析图像、视频和三维形状等时空数据的重要基础。虽然其中一些数据自然密集（例如照片），但许多其他数据源本质上是稀疏的。示例包括使用激光雷达扫描仪或RGB-D相机获得的3D点云。卷积网络的标准“密集”实现在应用于此类稀疏数据时效率非常低。我们引入了新的
视频教程-【CVPR2018】3D Semantic Segmentation with Submanifo-强化学习
weixin_33045195的博客
05-28 128
【CVPR2018】3D Semantic Segmentation with Submanifo ...
semantic segmentation paper
Touch_Dream的博客
10-19 486
[1]Fully Convolutional Networks for Semantic Segmentation [2]Learning Deconvolution Network for Semantic Segmentation [3]Efficient Inference in Fully Connected CRFs with Gaussian Edge
ESOD：高分辨率图像上的高效小目标检测
最新发布
追赶时代的博客
07-18 376
小目标检测
海光dcu版本类库 和lamafactgory,docker镜像 Unsloth DeepSpeed、FastMoE ollama、vllm-omni、llama.cpp、T 下载地址 光源开发者社区
论文数据分析辅导,；论文人工智能辅导 huazhongxiaosx
06-01 670
摘要： 光源开发者社区是面向国产DCU异构计算的专业平台，提供从硬件适配到AI大模型开发的全栈服务，涵盖算力资源、开源项目托管及开发者工具。其核心包括DCU加速卡支持、DTK开发工具包及AI训练框架适配。 重点开源项目LLaMA Factory（v0.6.3）为无代码大模型微调框架，支持Llama2/3、Qwen等100+模型，提供WebUI和轻量化微调方案，适配国产DCU环境。社区还托管OpenDAS组织的其他项目，如大模型微调工具、DCU代码迁移工具及科学计算套件，并配套镜像仓库和实训案例。 访问方式：
Yolo算法详解
热门推荐
space_dandy的博客
09-30 1万+
Yolo原理 Yolo是一种目标检测算法，目标检测的任务是从图片中找出物体并给出其类别和位置，对于单张图片，输出为图片中包含的N个物体的每个物体的中心位置(x,y)、宽(w)、高(h)以及其类别。 Yolo的预测基于整个图片，一次性输出所有检测到的目标信号，包括其类别和位置。Yolo首先将图片分割为sxs个相同大小的grid： Yolo只要求grid中识别的物体的中心必须在这个grid内。实现方法：让sxs个框每个都预测出B个boungding box，bounding box有5个量，分别为物体的x,y
R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating Object
space_dandy的博客
10-14 1万+
本文针对旋转目标的检测提出了R3det。论文地址：https://arxiv.org/abs/1908.05612 1.Introduciton 目前，旋转目标检测面临三个主要挑战： 待检测目标纵横比较大 待检测目标的排列较为密集 类别不平衡 本文讨论了如何设计一个准确和快速的旋转目标检测器。文章提出了一个refined one-stage 旋转检测器，其设计策略结合了水平anchor的高召回率和旋转anchor对密集场景的适应性两方面的优点，在第一个阶段使用水平anch...
语义分割(FCN，UNET，DEEPLAB)
space_dandy的博客
08-12 2837
语义分割(FCN，UNET，DEEPLAB) 语义分割的目的是对图像中的每一个像素点进行分类，从而确定每个像素点所属的类别。(从像素级别进行分类) 1.FCN(Fully Convolustional Networks) VGG和Resnet等CNN网络通过在网络最后加入全连接层，然后再经过softmax获得类别的概率信息，得到的一维概率信息可以对整张图片的类别进行识别。FCN提出将网络后边的全连接层全部换成卷积，从而得到二维的特征图(feature map)，使用反卷积层对特征图进行上采样，恢复到与图像相
目标检测算法概述
space_dandy的博客
07-31 1820
内容主要来自：(1)一文读懂目标检测https://zhuanlan.zhihu.com/p/40986674 (2)目标检测算法之SSDhttp://mp.weixin.qq.com/s?__biz=MzUyMjE2MTE0Mw==&mid=2247485558&idx=2&sn=d9b61680e523da49445f202f1fbb6954&chksm=f9d156eecea6dff8894f7ca6a1dd7a915c2...
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

space_dandy

你的鼓励将是我创作的最大动力

¥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