H-NeXt：迈向旋转平移不变网络的下一步
计算机视觉与模式识别
2023-11-03 v1 机器学习
摘要
等变网络的广泛流行凸显了参数高效模型与训练数据有效利用的重要性。在对待未见形变的鲁棒性日益重要的当下，我们提出 H-NeXt，它弥合了等变与不变之间的鸿沟。H-NeXt 是一个参数高效的旋转平移不变网络，其训练集未使用任何一张增强图像。我们的网络由三部分组成：用于学习旋转平移无关特征的等变骨干网络、用于丢弃旋转平移信息的不变池化层，以及分类层。在 MNIST 与 CIFAR-10 的未增强训练集与增强测试集上，H-NeXt 的分类性能优于当前最优（SOTA）方法。
引用
@article{arxiv.2311.01111,
title = {H-NeXt: The next step towards roto-translation invariant networks},
author = {Tomas Karella and Filip Sroubek and Jan Flusser and Jan Blazek and Vasek Kosik},
journal= {arXiv preprint arXiv:2311.01111},
year = {2023}
}
备注
Appears in British Machine Vision Conference 2023 (BMVC 2023)