基于高斯-赫尔米尔矩的准确平移不变卷积神经网络
计算机视觉与模式识别
2026-03-19 v1
摘要
卷积神经网络（CNNs）本身并非具有平移不变性或平移等变性。CNN中使用的下采样操作是导致CNN平移不变性失效的关键原因之一。相反，下采样操作对于提高计算效率和增加感受野以获取更多上下文信息至关重要。本文提出了高斯-赫尔米尔抽样（GHS），一种新颖的下采样策略，旨在实现准确的平移不变性。GHS利用高斯-赫尔米尔多项式执行平移一致抽样，使CNN层在训练前能够对任意空间平移保持等变性。将其集成到标准CNN架构中后，所提方法无需架构修改或额外训练程序即可在层级嵌入平移不变性。我们在 CIFAR-10、CIFAR-100 和 MNIST-rot 数据集上评估了所提方法。实验结果表明，GHS显著提高了平移一致性，在空间平移下实现 100% 的分类一致性，同时也在分类准确率方面优于基准 CNN 模型。
引用
@article{arxiv.2603.17098,
title = {Accurate Shift Invariant Convolutional Neural Networks Using Gaussian-Hermite Moments},
author = {Jaspreet Singh and Petra Bosilj and Grzegorz Cielniak},
journal= {arXiv preprint arXiv:2603.17098},
year = {2026}
}