i-RevNet公司 swMATH ID: 29632 软件作者: Jörn-Henrik Jacobsen、Arnold Smeulders、Edouard Oyallon 描述: i-RevNet:深层可逆网络。人们普遍认为,深度卷积网络的成功是建立在逐步摒弃关于当前问题的输入的无信息可变性的基础上的。在最常用的网络体系结构中,从隐藏表示中恢复图像的难度从经验上证明了这一点。在本文中,我们通过一对一的映射表明,这种信息丢失不是学习表示法的必要条件,这种表示法可以很好地推广到复杂的问题上,例如ImageNet。通过一系列同胚层,我们构建了i-RevNet,这是一个可以完全反转到类的最终投影的网络,即不丢弃任何信息。建立一个可逆的体系结构是困难的,因为局部反演是病态的,我们通过提供一个显式反演来克服这一点。对i-RevNets学习表示法的分析表明,深度网络成功的另一种解释是渐进收缩和随深度线性分离。为了揭示i-RevNet学习的模型的本质,我们重建了自然图像表示之间的线性插值。 主页: https://arxiv.org/abs/1802.07088 源代码: https://github.com/jhjacobsen/pytorch-i-revnet 依赖项: 皮托雷 相关软件: 低碳所;亚当;火炬差异;辉光;图像网络;TensorFlow公司;CIFAR公司;阳极;国家科学基金;n流量;AlexNet公司;掌中宽带;制造;FFJORD公司;阳极;时尚GAN;PyTorch公司;波浪辉光;像素x像素;CycleGAN公司 引用于: 10文件 全部的 前5名37位作者引用 2 马蒂亚斯·约阿希姆·埃赫哈特 1 安森建 1 坎贝尔,Neill D.F。 1 埃琳娜·塞莱多尼 1 卢卡斯·德鲁梅茨 1 达夫,M.A.G。 1 克里斯蒂安·埃特曼 1 罗南·法布雷特 1 托马斯·格拉宾格 1 埃尔达·哈伯 1 Khoo、Yuehaw 1 巴拉吉·拉克希米纳拉亚南 1 尼尔斯·利德霍尔姆 1 基根·伦辛克 1 李玲 1 刘万全 1 埃德温·卢霍弗 1 罗伯特·麦克拉克伦。 1 沙基尔·穆罕默德 1 摩瑟,伯恩哈德·阿洛伊斯 1 埃里克·纳利斯尼克 1 托马斯·纳施拉格 1 Brynjulf Owren公司 1 乔治·帕帕马卡里奥斯 1 贝斯·彼得斯 1 任一诺 1 丹尼尔·希门内斯·雷泽德 1 法国卢梭 1 苏珊娜·萨明格·普拉茨 1 卡罗拉·比比安·施恩利布 1 费迪亚雪莉 1 西蒙·斯特林格(Simon M.Stringer)。 1 伊雷克·乌利多夫斯基 1 王如华 1 英、乐兴 1 沃纳·泽林格 1 赵宏丽 全部的 前5名7篇连载文章中引用 2 数学成像与视觉杂志 2 数学科学研究 1 信息科学 1 神经网络 1 欧洲应用数学杂志 1 机器学习研究杂志(JMLR) 1 计算的数学基础 全部的 前5名在7个字段中引用 9 计算机科学(68至XX) 2 统计学(62-XX) 2 数值分析(65-XX) 2 信息与通信理论、电路(94-XX) 1 动力系统和遍历理论(37至XX) 1 流体力学(76-XX) 1 量子理论(81-XX) 按年份列出的引文