基于图卷积网络的等变桥接 SO(2) 不变表示学习
计算机视觉与模式识别
2021-10-22 v2
摘要
训练卷积神经网络（CNN）以对旋转保持鲁棒，大多通过数据增强实现。本文强调另一渐进的研究方向，即通过实现网络的结构性旋转不变性来减少对数据增强的依赖。为此提出深度等变桥接 SO(2) 不变网络。首先，提出自加权最近邻图卷积网络（SWN-GCN），在图像的图表示上实现图卷积网络（GCN）以获取旋转等变表示，因 GCN 比基于谱图卷积的方法更适合构建更深层网络。随后，通过对自 SWN-GCN 获得的等变顶点集施加全局平均池化（GAP）——一种适于聚合高维表示的置换不变操作——最终得到不变表示。我们的方法在旋转 MNIST 与 CIFAR-10 图像上取得最先进的图像分类性能，且模型仅以非增强数据集训练。关于表示不变性的定量验证也表明 SWN-GCN 的深度表示对旋转具有强不变性。
关键词
引用
@article{arxiv.2106.09996,
title = {Equivariance-bridged SO(2)-Invariant Representation Learning using Graph Convolutional Network},
author = {Sungwon Hwang and Hyungtae Lim and Hyun Myung},
journal= {arXiv preprint arXiv:2106.09996},
year = {2021}
}
备注
BMVC 2021