用于高效群等变卷积神经网络的蒙特卡洛增强分解滤波器自适应聚合
计算机视觉与模式识别
2026-03-13 v5
摘要
群等变卷积神经网络（G-CNN）严重依赖参数共享来提高 CNN 的数据效率和性能。然而，参数共享策略大幅增加了每个新增参数的计算负担，阻碍了其在深度神经网络模型中的应用。本文通过提出一种用于群等变神经网络的非参数共享方法来解决这些问题。所提方法通过随机增强分解滤波器的加权和来自适应地聚合多种滤波器。我们给出了关于我们的方法如何实现群等变性的理论证明。该方法适用于连续群和离散群，其中增强分别使用蒙特卡洛采样和自助法重采样实现。该方法也可作为标准 CNN 的高效扩展。实验表明，通过使用合适的滤波器基构建高效轻量级网络，我们的方法优于参数共享群等变网络，并提升了标准 CNN 在图像分类和去噪任务中的性能。代码可在 https://github.com/ZhaoWenzhao/MCG_CNN 获取。
引用
@article{arxiv.2305.10110,
title = {Adaptive aggregation of Monte Carlo augmented decomposed filters for efficient group-equivariant convolutional neural network},
author = {Wenzhao Zhao and Barbara D. Wichtmann and Steffen Albert and Angelika Maurer and Frank G. Zöllner and Jürgen Hesser},
journal= {arXiv preprint arXiv:2305.10110},
year = {2026}
}