等变网格注意力网络
机器学习
2022-08-30 v2 计算机视觉与模式识别
机器学习
摘要
对对称性的等变性已被证明是深度学习研究中一种强大的归纳偏置。近期关于网格处理的工作集中于各类自然对称性，包括平移、旋转、缩放、节点置换与规范变换。迄今为止，尚无现有架构对所有这些变换都等变。在本文中，我们提出一种基于注意力的网格数据架构，可证明对上述所有变换等变。我们的流程依赖于相对切向特征的使用：一种简单、有效且对等变友好的原始节点位置输入的替代方案。在 FAUST 和 TOSCA 数据集上的实验证实，我们提出的架构在这些基准上取得了改进性能，并且确实对多种局部/全局变换等变，因而具有鲁棒性。
引用
@article{arxiv.2205.10662,
title = {Equivariant Mesh Attention Networks},
author = {Sourya Basu and Jose Gallego-Posada and Francesco Viganò and James Rowbottom and Taco Cohen},
journal= {arXiv preprint arXiv:2205.10662},
year = {2022}
}
备注
Published in Transactions on Machine Learning Research (08/2022). Official code made available at https://github.com/gallego-posada/eman - For the OpenReview entry, see https://openreview.net/forum?id=3IqqJh2Ycy