Zobrazeno 1 - 10
of 26
pro vyhledávání: '"equivariant neural networks"'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Bylander, Karl
Convolutional neural networks are equivariant to translations; equivariance to other symmetries, however, is not defined and the class output may vary depending on the input's orientation. To mitigate this, the training data can be augmented at the c
Externí odkaz:
http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-507213
We introduce FENNIX (Force-Field-Enhanced Neural Network InteraXions), a hybrid approach between machine-learning and force-fields. We leverage state-of-the-art equivariant neural networks to predict local energy contributions and multiple atom-in-mo
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::59bb0bcbbde2b7c1097af1896c35aca0
Autor:
Wetzer, Elisabeth
In recent years Machine Learning and in particular Deep Learning have excelled in object recognition and classification tasks in computer vision. As these methods extract features from the data itself by learning features that are relevant for a part
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od_______361::8ec59ce7a88ee7342a6502de23f0b5cb
http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-500386
http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-500386
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Swiss Equivariant Learning Workshop, 11.-14.07.2022, Lausanne, Schweiz
Deep neural networks have by today been established as the goto candidate for semantic or instance segmentation at many scales and image modalities. The pressing challenge in supervised segmentation approaches remains to be the requirement of large a
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______4577::8b6835d17272aea0e09af0fc583ffe7b
https://www.hzdr.de/publications/Publ-34917-1
https://www.hzdr.de/publications/Publ-34917-1
This paper aims at motivating the use of geometrically informed Machine Learning algorithms for Defense applications by providing intuitions with respect to their underlying mechanisms and by shedding light on successful applications such as remote s
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::c64e212c909a9355412da541579c75b0
https://hal.archives-ouvertes.fr/hal-03309807/file/geomML_intro.pdf
https://hal.archives-ouvertes.fr/hal-03309807/file/geomML_intro.pdf