- GRASP-Net: Геометрический остаточный анализ и синтез для сжатия облака точек (arXiv)
Автор: Джяхао Панг, Мухаммад Асад Лодхи, Донг Тиан.
Аннотация: Сжатие облака точек (PCC) является ключевым инструментом для различных трехмерных приложений благодаря универсальности формата облака точек. В идеале трехмерные облака точек стремятся отобразить непрерывные поверхности объекта/сцены. Практически, как набор дискретных выборок, облака точек локально разобщены и редко распределены. Эта разреженность препятствует обнаружению локальной корреляции между точками сжатия. Руководствуясь анализом с фрактальной размерностью, мы предлагаем гетерогенный подход с глубоким обучением для сжатия геометрии облака точек с потерями. В дополнение к базовому слою, сжимающему грубое представление входных данных, улучшенный слой разработан, чтобы справиться со сложными геометрическими остатками/деталями. В частности, сеть на основе точек применяется для преобразования неустойчивых локальных деталей в скрытые функции, находящиеся в грубом облаке точек. Затем запускается разреженная сверточная нейронная сеть, работающая на грубом облаке точек. Он использует непрерывность/сглаженность грубой геометрии для сжатия скрытых признаков в качестве улучшенного битового потока, что значительно улучшает качество реконструкции. Когда этот битовый поток недоступен, например, из-за потери пакетов, мы поддерживаем режим пропуска с той же архитектурой, которая генерирует геометрические детали напрямую из грубого облака точек. Эксперименты как с плотными, так и с разреженными облаками точек демонстрируют самые современные характеристики сжатия, достигнутые нашим предложением. Наш код доступен по адресу https://github.com/InterDigitalInc/GRASP-Net
2. Анализ конвергенции глубоких остаточных сетей (arXiv)
Автор: Вэньтао Хуан, Хайчжан Чжан.
Аннотация: Различные мощные архитектуры глубоких нейронных сетей внесли большой вклад в захватывающие успехи глубокого обучения за последние два десятилетия. Среди них глубокие остаточные сети (ResNets) имеют особое значение, поскольку они продемонстрировали большую полезность в компьютерном зрении, заняв первое место во многих соревнованиях по глубокому обучению. Кроме того, ResNets были первым классом нейронных сетей в истории развития глубокого обучения, которые были действительно глубокими. Понимание конвергенции глубоких ResNet представляет математический интерес и практическое значение. Мы стремимся охарактеризовать сходимость глубоких ResNets по мере того, как глубина стремится к бесконечности с точки зрения параметров сетей. С этой целью мы сначала даем матрично-векторное описание общих глубоких нейронных сетей с короткими связями и формулируем явное выражение для сетей, используя понятия областей активации и матриц активации. Тогда сходимость сводится к сходимости двух рядов, включающих бесконечные произведения неквадратных матриц. Изучая две серии, мы устанавливаем достаточное условие поточечной сходимости ResNets. Наш результат может обосновать дизайн ResNets. Мы также проводим эксперименты с эталонными данными машинного обучения, чтобы проверить наши результаты.
