- Сжатие признаков вейвлета Хаара для сверточных сетей с квантованным графом(arXiv)
Автор:Моше Элиасоф, Бенджамин Боднер, Эран Трейстер
Аннотация : графовые сверточные сети (GCN) широко используются в различных приложениях и могут рассматриваться как неструктурированная версия стандартных сверточных нейронных сетей (CNN). Как и в CNN, вычислительная стоимость GCN для больших входных графов (таких как большие облака точек или сетки) может быть высокой и препятствовать использованию этих сетей, особенно в средах с небольшими вычислительными ресурсами. Чтобы уменьшить эти затраты, к GCN можно применить квантование. Однако агрессивное квантование карт признаков может привести к значительному снижению производительности. С другой стороны, известно, что вейвлет-преобразования Хаара являются одним из наиболее эффективных подходов к сжатию сигналов. Поэтому вместо применения агрессивного квантования к картам признаков мы предлагаем использовать вейвлет-сжатие Хаара и световое квантование, чтобы уменьшить объем вычислений и пропускную способность, связанные с сетью. Мы демонстрируем, что этот подход значительно превосходит агрессивное квантование признаков для множества задач, начиная от классификации узлов и заканчивая классификацией облака точек, а также частичной и семантической сегментацией.
2. Блочные авторегрессионные потоки для траекторий на основе вейвлета Хаара(arXiv)
Автор: Апратим Бхаттачарья, Кристоф-Николас Штреле, Марио Фриц, Бернт Шиле
Вывод:предсказание траекторий, таких как траектории пешеходов, имеет решающее значение для работы автономных агентов. В то время как в предыдущих работах использовались условные генеративные модели, такие как GAN и VAE, для изучения вероятных будущих траекторий, точное моделирование структуры зависимостей этих мультимодальных распределений, особенно в долгосрочной перспективе, остается сложной задачей. Генеративные модели, основанные на нормализации потоков, могут моделировать сложные распределения, допускающие точные выводы. К ним относятся варианты с обратимыми преобразованиями с расщепленной связью, которые легче распараллелить по сравнению с их авторегрессионными аналогами. С этой целью мы вводим новую блочную авторегрессионную модель на основе вейвлета Хаара, использующую расщепленные связи, обусловленную грубыми траекториями, полученными в результате преобразований на основе вейвлета Хаара на разных уровнях детализации. Это дает точный метод вывода, который иерархически моделирует траектории с разным пространственно-временным разрешением. Мы иллюстрируем преимущества нашего подхода для создания разнообразных и точных траекторий на двух реальных наборах данных — Stanford Drone и Intersection Dron.
