dlcp:kryukov22:biblio:main
This is an old revision of the document!
Table of Contents
Литература
Общие вопросы
- Lil’Log. Мне показалось - интересные и полезные материалы по МО.
Обзоры статей
- Yang, Z. Generative Adversarial Networks with Constraints (А.Демичев)
- Weiler, M. and Cesa, G. General E(2) - Equivariant Steerable CNNs (А.Демичев)
Astro&HEP
- EuCAPT. EuCAPT White Paper Opportunities and Challenges for Theoretical Astroparticle Physics in the Next Decade. ArXiv: 2110.10074
- T. Miener and et.al. IACT event analysis with the MAGIC telescopes using deep convolutional neural networks with CTLearn. ArXiv: 2112.01821
- Atul Kumar and et.al. SinhaSUPA: A Lightweight Diagnostic Simulator for Machine Learning in Particle Physics. ArXiv: 2202.05012
- The ATLAS Collaboration. Deep generative models for fast shower simulation in ATLAS. ATLAS-SOFT-PUB-2018-001
- E. A. Huerta and et.al. Enabling real-time multi-messenger astrophysics discoveries with deep learning. https://doi.org/10.1038/s42254-019-0097-4, PDF
- Songshaptak De and etc. Deep learning techniques for Imaging Air Cherenkov Telescopes, https://arxiv.org/pdf/2206.05296
(c)GAN
- Raghav Kansal and et.al. Particle Cloud Generation with Message Passing Generative Adversarial Networks. ArXiv: 2106.11535
- Mehdi Mirza, Simon Osindero. Conditional Generative Adversarial Nets, arXiv:1411.1784
- Amin Heyrani Nobari and et.al. PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design
- Xin Ding and et. al. ccGAN: CONTINUOUS CONDITIONAL GENERATIVE ADVERSARIAL NETWORKS FOR I MAGE GENERATION
(c/c)VAE
- Kai Yi, Yi Guo, Yanan Fan, Jan Hamann, Yu Guang Wang. CosmoVAE: Variational Autoencoder for CMB Image Inpainting. ArXiv: 2001.11651
- Harish RaviPrakash, Syed Muhammad Anwar, Ulas Bagci. Variational Capsule Encoder. ArXiv: 2010.09102
- Variational AutoEncoder in Keras
Diffusion NN
Symmetry
- Taco S. Cohen, Maurice Weiler, Berkay Kicanaoglu, Max Welling. Gauge Equivariant Convolutional Networks and the Icosahedral CNN. ArXiv: 1902.04615
- Marc Finzi, Samuel Stanton, Pavel Izmailov, Andrew Gordon Wilson. Generalizing Convolutional Neural Networks for Equivariance to Lie Groups on Arbitrary Continuous Data. ArXiv: 2002.12880
- Krish Desai. SymmetryGAN: Symmetry Discovery with Deep Learning. ArXiv: 2112.05722
- Taco S. Cohen and et.al. SPHERICAL CNNs. PDF, ArXiv: 1801.10130
Transfer Learning
- Thi Thu Thao KHONG, Takashi NAKADA, and Yasuhiko NAKASHIMA. Flexible Bayesian Inference by Weight Transfer for Robust Deep Neural Networks. IEICE TRANS. INF. & SYST., VOL.E104–D, NO.11 NOVEMBER 2021
AutoEncoder-based Lossy Image Compression
-
- В статье представлена архитектура системы, построенной на основе сверточного автоэнкодера (CAE), предназначенной для сжатия изображений с потерями, которая обладает высокой эффективностью кодирования. В дополнение к CAE используется метод главных компонент (principal component analysis (PCA)) для поворота карт признаков, созданных CAE и квантование. Экспериментальные результаты показывают, что этот метод превосходит традиционные алгоритмы кодирования изображений, достигая снижения BD-rate на 13,7% для изображений из базы данных Kodak по сравнению с JPEG2000. BD Rate (Bjontegaard delta rate) позволяет измерять снижение битрейта, обеспечиваемое кодеком, при сохранении того же качества, которое измеряется объективными показателями.
- Процитирована 145 раз.
-
- Показано, что автоэнкодеры могут удовлетворить потребность в более гибких алгоритмах сжатия, чем существующие кодеки. Однако их трудно оптимизировать напрямую из-за присущей им недифференцируемости функции потерь при сжатии. В работе показано, что минимальные изменения функции потерь достаточны для обучения глубоких автоэнкодеров, конкурирующих с JPEG 2000 и превосходящих недавно предложенные подходы, основанные на RNN.
- Процитирована 874 раза.
-
- Предложен новый фреймворк, основанный на обучении, для кодирования изображений с переменным коэффициентом сжатия. Предыдущие методы сжатия изображений на основе обучения в основном требовали обучения отдельных сетей при разном коэффициенте сжатия, чтобы они могли давать сжатые изображения различного качества. В этой работе предложен метод развертывания только одной сети сжатия изображений с переменным коэффициентом, основанный на использовании условного автоэнкодера. Экспериментальные результаты показывают, что предложенная схема обеспечивает лучший компромисс между коэффициентом сжатия и искажениями, чем традиционные кодеки сжатия изображений с переменной скоростью, такие как JPEG2000 и BPG. Эта модель также демонстрирует сравнимую, а иногда и лучшую производительность, чем современные модели сжатия изображений, которые используют несколько сетей, обученных для различных коэффициентов.
- Процитирована 130 раз.
Other
dlcp/kryukov22/biblio/main.1669302007.txt.gz · Last modified: 24/11/2022 18:00 by demichev