一种点云上无数据增广的旋转不变分类方案及其在神经影像中的应用
图像与视频处理
2019-11-11 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
近年来，随着3D传感器与技术发展，3D医学成像技术涌现并日益普及。然而，由于刚性配准技术可能引入误差，在实现3D医学图像处理中的几何不变性时计算代价高昂但却必不可少。分析医学影像的另一种途径是理解以点为云表示的3D形状。尽管在医学影像领域，3D点云处理并非首选，但它是保持旋转不变性的一种规范方法。遗憾的是，由于离散拓扑的存在，无法在点云上使用标准卷积算子。据我们所知，现有进行“卷积”的方法在不显式数据增广的情况下无法保持旋转不变性。因此，我们通过从超球面诱导拓扑，提出一种旋转不变卷积算子。已在公开可用的OASIS数据集上针对有无痴呆受试者的分类准确率进行实验验证，证明了我们所提方法在模型复杂度、分类准确率以及最后但最重要的旋转不变性方面的有用性。
引用
@article{arxiv.1911.03443,
title = {An "augmentation-free" rotation invariant classification scheme on point-cloud and its application to neuroimaging},
author = {Liu Yang and Rudrasis Chakraborty},
journal= {arXiv preprint arXiv:1911.03443},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1910.13050 and arXiv:1911.01705