DeepFRC：用于功能注册与分类的端到端深度学习模型
计算机视觉与模式识别
2025-09-30 v3 机器学习
机器学习
摘要
功能数据代表曲线或轨迹，在生物医学和运动分析等领域十分常见。一个基本挑战是相位变异性——遮蔽潜在模式的时序错位，降低模型性能。当前方法常将注册(对齐)和分类作为分离的、顺序性任务来处理。本文引入DeepFRC，一个端到端深度学习框架，联合学习光滑变形函数和分类器于统一架构中。DeepFRC 融合了神经形变算子进行弹性对齐、基于傅里叶基的谱表示用于平滑功能嵌入，以及促进类内一致性和类间分离的类感知对比损失。我们提供了该联合模型的首个理论保证，证明其能够逼近最优变形，并建立数据依赖的概括界限，正式链接注册保真度与分类性能。大量实验表明，DeepFRC 在合成数据和真实数据集上均显著优于最先进的方法，在对齐质量和分类准确率方面表现突出，消融实验验证了其组件之间的协同作用。DeepFRC 还在抗噪性、缺失数据和数据集规模变化方面表现出显著鲁健性。代码已公开于 https://github.com/Drivergo-93589/DeepFRC。
引用
@article{arxiv.2501.18116,
title = {DeepFRC: An End-to-End Deep Learning Model for Functional Registration and Classification},
author = {Siyuan Jiang and Yihan Hu and Wenjie Li and Pengcheng Zeng},
journal= {arXiv preprint arXiv:2501.18116},
year = {2025}
}
备注
30 pages, 9 figures