齿轮式旋转恒等且不变卷积神经网络系统
神经与进化计算
2018-08-13 v3 机器学习
社会与信息网络
机器学习
摘要
作者近期提出了基于变换不变算子或对称操作来构造各类变换不变处理并以量化方式产生相同输出的定理与技术。在本研究中，我们进一步提出通过在第一扁平层连接各参与处理网络，以微小步距角组合一个齿轮式旋转恒等 CNN 系统（GRI-CNN）。以普通 CNN 结构为基础，构建 GRI-CNN 的要求包括使用对称输入向量或具有可构成完整周期（如“齿轮”）的角度增量的核。我们研究了四种基本 GRI-CNN 结构。当输入向量的旋转角可被齿轮步距角整除时，它们各自都能产生量化恒等的输出结果。我们的研究表明，当输入向量以某角度旋转而不匹配步距角时，GRI-CNN 也能产生高度一致的结果。通过采用超精细齿轮齿步距角（例如 1 度或 0.1 度）的设计，所有四种 GRI-CNN 系统均可近乎各向同性地构建。
引用
@article{arxiv.1808.01280,
title = {Geared Rotationally Identical and Invariant Convolutional Neural Network Systems},
author = {ShihChung B. Lo and Ph. D. and Matthew T. Freedman and M. D. and Seong K. Mun and Ph. D. and Heang-Ping Chan and Ph. D},
journal= {arXiv preprint arXiv:1808.01280},
year = {2018}
}
备注
14 pages, 6 figures, 8 tables