文件名称：matlab数据光滑代码-dnn-object-manifolds:dnn对象流形
文件大小：159KB
文件格式：ZIP
更新时间：2024-06-11 08:15:58
系统开源
matlab数据平滑代码深度神经网络中对象流形的可分离性和几何形状 内容 抽象的 刺激在大脑中由感觉神经元的总体种群React来表示，并且在不同条件下呈现的物体会产生称为物体流形的一系列神经种群React。 沿着分级感官系统的对象表示形式的变化与这些歧管的几何形状的变化相关，并且是支持对象分类的能力的定量度量。 对于这种关系的适用性，经过对象分类任务训练的深度神经网络是自然的测试平台。 我们展示了分类能力如何随着具有不同架构的深度神经网络的层次结构而提高。 我们证明，相关对象歧管的几何形状变化是这种提高的能力的基础，并通过精心设计的减少歧管的半径，尺寸和歧管间的相关性，揭示了层次结构中不同级别为实现此目的而发挥的功能作用。 概述 该存储库提供了Matlab在本文中描述的算法的实现，从而可以 直接估计分类能力； 物体歧管几何形状的数值估计（即歧管半径，尺寸和歧管间的相关性）以及分类能力由我们在工作中使用的基于平均场理论的分析所确定。 此外，我们提供了本文中描述的用于生成平滑流形的代码，以及用于分析点云和平滑流形的代码。 对于基于我们分析中使用的度量标准的对象歧管几何形状和分类能力的数值估
【文件预览】：
dnn-object-manifolds-master
----.gitignore(114B)
----README.md(12KB)
----library()
--------optimal_low_rank_structure2.m(5KB)
--------calc_manifold_properties3.m(3KB)
--------check_samples_capacity.m(6KB)
--------check_linear_seperability_svm_cplexqp.m(6KB)
--------theory_alpha0.m(369B)
--------assert_warn.m(125B)
--------check_hierarchial_capacity.m(6KB)
--------calc_manifold_properties.m(3KB)
--------check_binary_dichotomies_sampled_features2.m(4KB)
--------sample_random_labels.m(585B)
--------hostname.m(260B)
--------theory_alpha0_cached.m(1KB)
--------calc_randomization_single_neurons.m(6KB)
--------calc_manifold_properties2.m(4KB)
--------check_binary_dichotomies_capacity2.m(5KB)
--------calc_low_dimension_manifold.m(3KB)
--------check_covariance_low_rank_approx_optimal_K.m(21KB)
--------check_capacity.m(7KB)
--------sample_indices.m(214B)
--------square_corrcoeff_full_cost.m(1KB)
--------calc_constrainted_least_square_cutting_plane.m(2KB)
--------check_linear_seperability_generalization_svm_cplexqp.m(5KB)
----LICENSE(1KB)
----FOptM()
--------OptStiefelGBB.m(9KB)
--------Test_maxcut_demo.m(2KB)
--------README.m(2KB)
--------test_eig_rand_demo.m(3KB)
--------maxcut_quad.m(364B)
--------MGramSchmidt.m(259B)
--------OptManiMulitBallGBB.m(7KB)
----point_cloud_analysis()
--------manifold_stable_analysis_corr.m(21KB)
--------.DS_Store(6KB)
----smooth_manifolds_analysis()
--------optimal_low_rank_structure2.m(5KB)
--------check_convnet_capacity_one_dimensional_change2_spheres.m(13KB)
--------calc_manifold_properties3.m(3KB)
--------check_samples_capacity.m(6KB)
--------check_binary_dichotomies_sampled_features2_spheres.m(3KB)
--------check_convnet_capacity_one_dimensional_change.m(14KB)
--------check_linear_seperability_svm_cplexqp.m(6KB)
--------init_imagenet.m(1KB)
--------check_binary_dichotomies_capacity2_spheres.m(5KB)
--------theory_alpha0.m(369B)
--------assert_warn.m(125B)
--------check_convnet_capacity_one_dimensional_change2.m(12KB)
--------check_hierarchial_capacity.m(6KB)
--------calc_manifolds_properties_fast.m(3KB)
--------calc_manifold_properties.m(3KB)
--------check_convnet_covariance_low_rank_approx_optimal_K.m(33KB)
--------check_convnet_capacity_random_change2.m(9KB)
--------check_convnet_capacity_random_change.m(11KB)
--------generate_results_ncomms2020.m(13KB)
--------load_network_metadata.m(13KB)
--------check_binary_dichotomies_sampled_features2.m(4KB)
--------sample_random_labels.m(585B)
--------hostname.m(260B)
--------theory_alpha0_cached.m(1KB)
--------calc_randomization_single_neurons.m(6KB)
--------calc_manifold_properties2.m(4KB)
--------check_binary_dichotomies_capacity2.m(5KB)
--------check_linear_seperability_spheres_svm_cplexqp.m(4KB)
--------calc_low_dimension_manifolds_preserving_correlations.m(4KB)
--------calc_low_dimension_manifold.m(3KB)
--------sample_indices.m(214B)
--------square_corrcoeff_full_cost.m(1KB)
--------calc_constrainted_least_square_cutting_plane.m(2KB)
--------create_binary_dichotomies.m(889B)
--------check_binary_dichotomies_capacity.m(7KB)
--------check_binary_dichotomies_sampled_features.m(4KB)
--------check_linear_seperability_generalization_svm_cplexqp.m(5KB)
----.DS_Store(6KB)
----smooth_manifolds_generation()
--------sample_indices_one_per_category.m(1005B)
--------sample_indices_blacklisted.m(981B)
--------generate_convnet_random_change.m(11KB)
--------init_imagenet.m(1KB)
--------create_random_affine_transform_bounded.m(722B)
--------create_valid_random_affine_transfrom.m(632B)
--------calc_affine_transform_magnitude.m(401B)
--------assert_warn.m(125B)
--------read_imagenet_training_size.m(317B)
--------choose_imagenet_template_images.m(1KB)
--------create_affine_transformation_range.m(1024B)
--------generate_datasets_ncomms2020.m(8KB)
--------show_imagenet_random_change.m(6KB)
--------generate_convnet_random_change2.m(13KB)
--------calc_imagenet_warp_legacy.m(608B)
--------dog_small.jpg(14KB)
--------generate_convnet_model_metadata.m(4KB)
--------create_affine_transform_type.m(948B)
--------load_network_metadata.m(13KB)
--------read_imagenet_labels.m(281B)
--------read_imagenet_thumbnails.m(619B)
--------convnet_init.m(3KB)
--------sample_indices.m(214B)
--------calc_imagenet_warp.m(1KB)
--------generate_convnet_one_dimensional_change.m(12KB)
--------create_random_affine_transform.m(883B)
--------create_1d_affine_transform.m(5KB)