Gauge equivariant convolutional neural networks

Examensarbete för masterexamen

Använd denna länk för att citera eller länka till detta dokument: https://hdl.handle.net/20.500.12380/301431
Ladda ner:
Fil Beskrivning StorlekFormat 
Master_Thesis_Oscar_Carlsson.pdf1.26 MBAdobe PDFVisa
Bibliografiska detaljer
FältVärde
Typ: Examensarbete för masterexamen
Titel: Gauge equivariant convolutional neural networks
Författare: Carlsson, Oscar
Sammanfattning: In this thesis we present a review of the current theory of group and gauge equivariant convolutional neural networks on homogeneous spaces and general smooth manifolds, with focus on the latter, formulated from a mathematical viewpoint. We also provide a new interpretation of layers in neural networks as maps between associated bundles. Furthermore we discuss the implementation of simple convolutional neural networks invariant under 90 rotations and reflections, build such networks, and test them to show the effect of the invariant construction. This testing shows that the addition of the group invariant structure allows the network to efficiently classify transformed data while only training on untransformed data.
Nyckelord: Convolutional neural networks;machine learning;manifolds;group;gauge;Python;Tensorflow;Keras
Utgivningsdatum: 2020
Utgivare: Chalmers tekniska högskola / Institutionen för fysik
URI: https://hdl.handle.net/20.500.12380/301431
Samling:Examensarbeten för masterexamen // Master Theses



Materialet i Chalmers öppna arkiv är upphovsrättsligt skyddat och får ej användas i kommersiellt syfte!