FILTRA：通过滤波器变换重新思考可转向CNN
计算机视觉与模式识别
2022-02-16 v2 机器学习
摘要
可转向CNN在网络架构中引入变换不变性或等变性的先验知识，以增强网络对数据几何变换的鲁棒性并减少过拟合。在过去的几十年中，通过用滤波器的变换副本扩充滤波器来构造可转向滤波器是一种直观且被广泛使用的技术，本文将其命名为滤波器变换。近年来，可转向CNN问题已从群表示理论的角度得到研究，该理论揭示了可转向核函数的函数空间结构。然而，该理论与滤波器变换技术之间的关系尚不清楚。在本文中，我们证明了由滤波器变换构造的核也可以从群表示理论的角度进行解释。这一解释有助于补全可转向CNN理论的拼图，并提供了一种新颖且简单的实现可转向卷积算子的方法。我们在多个数据集上进行了实验以验证所提方法的可行性。
引用
@article{arxiv.2105.11636,
title = {FILTRA: Rethinking Steerable CNN by Filter Transform},
author = {Bo Li and Qili Wang and Gim Hee Lee},
journal= {arXiv preprint arXiv:2105.11636},
year = {2022}
}
备注
ICML 2021