一种用于多尺寸图像分类的新型傅里叶神经算子框架：在三维数字多孔介质中的应用
计算机视觉与模式识别
2024-04-15 v2
摘要
傅里叶神经算子对输入图像的尺寸具有不变性，因此与传统的卷积神经网络不同，任何尺寸的图像都可以输入基于傅里叶神经算子的框架而无需修改网络架构。利用傅里叶神经算子的这一优势，我们提出了一种新颖的深度学习框架，用于对可变尺寸图像进行分类。特别地，我们在多尺寸图像上同时训练所提出的网络。作为一个实际应用，我们考虑预测三维数字多孔介质标签（如渗透率）的问题。为了构建该框架，一种直观的方法是将傅里叶神经算子层与使用自适应最大池化的分类器连接起来。首先，我们表明这种方法仅对固定尺寸的多孔介质有效，而对可变尺寸的多孔介质则失败。为了克服这一限制，我们引入了我们的方法：不使用自适应最大池化，而是使用与傅里叶神经算子层通道宽度相同大小的静态最大池化。由于傅里叶神经算子层的通道宽度与输入图像尺寸无关，所引入的框架可以在训练过程中处理多尺寸图像。我们通过可变尺寸三维数字多孔介质分类的示例展示了所引入框架的有效性，并将其性能与直观方法进行了比较。
引用
@article{arxiv.2402.11568,
title = {A novel Fourier neural operator framework for classification of multi-sized images: Application to three dimensional digital porous media},
author = {Ali Kashefi and Tapan Mukerji},
journal= {arXiv preprint arXiv:2402.11568},
year = {2024}
}