黎曼流形上的测地卷积神经网络
计算机视觉与模式识别
2018-06-11 v3
摘要
特征描述子在形状对应、检索和分割等广泛的几何分析与处理应用中起着至关重要的作用。本文介绍了测地卷积神经网络（GCNN），这是将卷积神经网络（CNN）范式推广到非欧几里得流形的一种方法。我们的构建基于局部极坐标测地系统来提取“图块（patches）”，随后将这些图块通过级联的滤波器以及线性和非线性算子进行处理。滤波器系数和线性组合权重是优化变量，通过学习以最小化特定任务的成本函数。我们利用 GCNN 学习不变形状特征，从而在形状描述、检索和对应等问题中实现了最先进的性能。
引用
@article{arxiv.1501.06297,
title = {Geodesic convolutional neural networks on Riemannian manifolds},
author = {Jonathan Masci and Davide Boscaini and Michael M. Bronstein and Pierre Vandergheynst},
journal= {arXiv preprint arXiv:1501.06297},
year = {2018}
}