面向 2D 与 3D 可旋转数据的深度学习：方法综述
机器学习
2021-11-23 v2 计算机视觉与模式识别
神经与进化计算
机器学习
摘要
卷积网络因其在平移下的等变/不变性而取得成功。然而，诸如图像、体数据、形状或点云等可旋转数据，在坐标系的旋转取向不影响数据含义（例如对象分类）的情况下，需要以旋转下的等变/不变性进行处理。另一方面，在旋转十分重要（例如运动估计）的情况下，则必须对旋转进行估计/处理。近来在这些方面的理论与方法均取得了进展。在此我们提供对现有方法的综述，涵盖 2D 与 3D 旋转（及平移），并指明它们之间的共性与联系。
引用
@article{arxiv.1910.14594,
title = {Deep Learning for 2D and 3D Rotatable Data: An Overview of Methods},
author = {Luca Della Libera and Vladimir Golkov and Yue Zhu and Arman Mielke and Daniel Cremers},
journal= {arXiv preprint arXiv:1910.14594},
year = {2021}
}
备注
Improved Definition 1, improved and merged Sections 3.3-3.4, minor additional changes