三维可操控 CNN:在体数据中学习旋转等变特征
机器学习
2018-10-30 v2 机器学习
摘要
我们提出一种对刚体运动等变的卷积网络。该模型使用三维欧几里得空间上的标量场、向量场和张量场来表示数据,并使用等变卷积在这些表示之间进行映射。这些 SE(3) 等变卷积采用的核被参数化为完整可操控核基的线性组合,该核基在本文中解析导出。我们证明等变卷积是 R^3 上场之间最一般的等变线性映射。我们的实验结果证实了三维可操控 CNN 在氨基酸倾向预测与蛋白质结构分类问题上的有效性,这两个问题均具有内在的 SE(3) 对称性。
引用
@article{arxiv.1807.02547,
title = {3D Steerable CNNs: Learning Rotationally Equivariant Features in Volumetric Data},
author = {Maurice Weiler and Mario Geiger and Max Welling and Wouter Boomsma and Taco Cohen},
journal= {arXiv preprint arXiv:1807.02547},
year = {2018}
}