利用相似性卷积赋予网络尺度与旋转等变性的能力
计算机视觉与模式识别
2023-03-02 v1 机器学习
摘要
卷积神经网络（CNNs）的平移等变特性是其在计算机视觉中取得巨大成功的原因之一。然而，网络并不具备如旋转或缩放等更一般的等变性质，这最终限制了其泛化性能。为应对此局限，我们设计了一种方法，使CNNs同时具备相对于平移、旋转和缩放的等变性。我们的方法定义了一种类卷积操作，并基于所提出的可缩放Fourier-Argand表示确保等变性。该方法保持了与传统网络相近的效率，且几乎不引入任何额外的可学习参数，因为它未面临群卷积算子中常出现的计算问题。我们在图像分类任务中验证了方法的有效性，展示了其对缩放和旋转输入的鲁棒性与泛化能力。
引用
@article{arxiv.2303.00326,
title = {Empowering Networks With Scale and Rotation Equivariance Using A Similarity Convolution},
author = {Zikai Sun and Thierry Blu},
journal= {arXiv preprint arXiv:2303.00326},
year = {2023}
}
备注
Accepted for ICLR 2023