深度签名——平面曲线不变量的学习
计算机视觉与模式识别
2022-02-15 v1
摘要
我们提出了一种用于平面曲线微分不变量数值逼近的学习范式。利用深度神经网络（DNNs）的通用逼近性质来估计几何度量。所提出的框架被证明是公理化构造的一种更优替代方案。具体而言，我们表明 DNNs 能够学会克服不稳定性与采样伪影，并为受平面内给定变换群作用的曲线产生数值稳定的签名。我们将所提方案与最先进的群不变弧长和曲率的公理化构造进行了比较。
引用
@article{arxiv.2202.05922,
title = {Deep Signatures -- Learning Invariants of Planar Curves},
author = {Roy Velich and Ron Kimmel},
journal= {arXiv preprint arXiv:2202.05922},
year = {2022}
}