形变鲁棒的旋转-缩放-平移等变 CNN
计算机视觉与模式识别
2021-11-23 v1
摘要
将群对称性直接纳入学习过程已被证明是模型设计的有效准则。通过产生保证随输入上群作用协变变换的特征，群等变卷积神经网络（G-CNNs）在具有内在对称性的学习任务中实现了显著改进的可泛化性能。G-CNNs 的一般理论与实际实现已在平面图像上针对旋转或缩放变换分别进行了研究，但仅是单独地。本文中，我们提出一种旋转-缩放-平移等变 CNN（RST-CNN），通过耦合群卷积保证在这三个群上联合实现等变性。此外，由于现实中的对称变换很少是完美的，通常受输入形变影响，我们对表征等变性的输入畸变稳定性进行了分析，由此激发了卷积滤波器在（预固定）低频空间模态下的截断展开。所得模型可证明地实现形变鲁棒的 RST 等变性，即当变换被 nuisance 数据形变“污染”时，RST 对称性仍被“近似”保持，这一性质对于分布外泛化尤为关键。在 MNIST、Fashion-MNIST 与 STL-10 上的数值实验表明，所提模型相较先前方法取得显著增益，尤其在数据同时存在旋转与缩放变化的小数据情形下。
引用
@article{arxiv.2111.10978,
title = {Deformation Robust Roto-Scale-Translation Equivariant CNNs},
author = {Liyao Gao and Guang Lin and Wei Zhu},
journal= {arXiv preprint arXiv:2111.10978},
year = {2021}
}