CubeNet：对三维旋转与平移等变的网络

三维卷积神经网络对其输入所施加的变换十分敏感。这是一个问题，因为经过网络最后一层后，一个三维物体的体素化版本与其旋转副本彼此看起来毫无关联。相反，理想化的模型应保留体素化物体的有意义表示，同时解释两个输入之间的位姿差异。等变表示向量具有两部分：不变的身份部分，以及可辨识的变换编码。无法解释位姿差异的模型在优化分类或回归损失函数的过程中，面临表示被“稀释”的风险。我们引入了一种对三维平移和直角旋转具有线性等变性的群卷积神经网络。我们称该网络为 CubeNet，以反映其类立方体的对称性。通过构造，该网络在物体经过连续各层变换时，有助于保留其三维形状的全局与局部特征。我们将该网络应用于多种三维推理问题，在 ModelNet10 分类挑战上取得了最先进的性能，在 ISBI 2012 Connectome Segmentation Benchmark 上取得了相当的性能。据我们所知，这是首个面向体素表示的等变于三维旋转的 CNN。