深度旋转等变网络
计算机视觉与模式识别
2018-03-01 v2
摘要
近年来，学习等变表示引起了相当大的研究关注。Dieleman 等人引入了四种可插入卷积神经网络的操作，以学习对旋转等变的深度表示。然而，在他们的方法中，每层的特征图需要被复制并旋转四次，这导致了大量的运行时间和内存开销。为解决这一问题，我们提出了由循环层、保序层和去循环层组成的深度旋转等变网络（Deep Rotation Equivariant Network）。我们提出的层将旋转变换应用于滤波器而非特征图，实现了超过 2 倍的加速，且内存开销更小。我们在 Rotated MNIST 和 CIFAR-10 数据集上评估了 DREN，并证明其能够提升当前最先进架构的性能。
引用
@article{arxiv.1705.08623,
title = {Deep Rotation Equivariant Network},
author = {Junying Li and Zichen Yang and Haifeng Liu and Deng Cai},
journal= {arXiv preprint arXiv:1705.08623},
year = {2018}
}