球面图像的等变性与数据增强之比较
机器学习
2022-07-13 v2 计算机视觉与模式识别
摘要
我们分析了旋转等变性在应用于球面图像的卷积神经网络(CNNs)中的作用。我们比较了称为S2CNNs的群等变网络与使用不断增加的数据增强训练的标准非等变CNNs的性能。所选架构可被视为各自设计范式的基线参考。我们的模型在投影到球面上的MNIST或FashionMNIST数据集的单个或多个条目上训练和评估。对于本质上旋转不变的图像分类任务，我们发现通过大幅增加数据增强量和网络规模，标准CNNs有可能达到至少与等变网络相同的性能。相反，对于本质等变的语义分割任务，非等变网络始终被参数显著更少的等变网络超越。我们还分析并比较了不同网络的推理延迟和训练时间，从而能够对实际问题中等变架构与数据增强之间的权衡进行详细考量。实验中使用的等变球面网络可在 https://github.com/JanEGerken/sem_seg_s2cnn 获取。
引用
@article{arxiv.2202.03990,
title = {Equivariance versus Augmentation for Spherical Images},
author = {Jan E. Gerken and Oscar Carlsson and Hampus Linander and Fredrik Ohlsson and Christoffer Petersson and Daniel Persson},
journal= {arXiv preprint arXiv:2202.03990},
year = {2022}
}
备注
Accepted to ICML2022, updated according to ICML-reviewer comments, 18 pages of which 9 in main body, 16 figures,