实体
Maxout Networks for Visual Recognition
Maxout Networks for Visual Recognition
PulseAugur coverage of Maxout Networks for Visual Recognition — every cluster mentioning Maxout Networks for Visual Recognition across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
脉冲神经网络比ReLU网络显示出更丰富的输入空间划分
研究人员探索了脉冲神经网络（SNN）的表达能力，重点关注首次发放时间（TTFS）模型。他们证明了每个神经元的发放时间可以用具有大量约束仿射片段的类似maxout的结构来表示。该研究还将因果区域形式化为多面体区域，并推导了浅层和多层前馈SNN中因果区域数量的界限。研究结果表明，与传统的前馈ReLU网络相比，SNN可以创建更复杂的输入空间划分。
-
新的HyCNNs架构提供了改进的凸函数学习和最优传输
研究人员开发了超输入凸神经网络（HyCNNs），这是一种旨在比现有的输入凸神经网络（ICNNs）更有效地学习凸函数的新架构。HyCNNs将Maxout网络与ICNN原理相结合，在深度利用和可扩展性方面提供了理论优势。实验表明，HyCNNs在凸回归和插值任务中优于ICNNs和MLPs，并且在学习合成数据和单细胞RNA测序的高维最优传输图方面是有效的。