CyCNN：一种使用极坐标映射与柱面卷积层的旋转不变 CNN
计算机视觉与模式识别
2020-07-23 v1 机器学习
图像与视频处理
摘要
深度卷积神经网络（CNNs）在经验上已知对适度平移具有不变性，但在图像分类中对旋转不具有不变性。本文提出一种称为 CyCNN 的深度 CNN 模型，它利用输入图像的极坐标映射将旋转转换为平移。为处理极坐标的柱面性质，我们将常规 CNN 中的卷积层替换为柱面卷积（CyConv）层。CyConv 层利用柱面滑动窗口（CSW）机制，在垂直方向上扩展卷积层中边界单元的输入图像感受野。我们在旋转后的 MNIST、CIFAR-10 和 SVHN 数据集上评估 CyCNN 与常规 CNN 模型用于分类任务。我们表明，若训练期间无数据增强，与常规 CNN 模型相比，CyCNN 显著提升了分类准确率。我们对 CyCNN 的实现已公开于 https://github.com/mcrl/CyCNN。
引用
@article{arxiv.2007.10588,
title = {CyCNN: A Rotation Invariant CNN using Polar Mapping and Cylindrical Convolution Layers},
author = {Jinpyo Kim and Wooekun Jung and Hyungmo Kim and Jaejin Lee},
journal= {arXiv preprint arXiv:2007.10588},
year = {2020}
}