HexCNN：一种原生六边形卷积神经网络框架
计算机视觉与模式识别
2021-01-27 v1
摘要
六边形 CNN 模型因具有更好的旋转对称性和更低各向异性，在 IACT 数据分析和航拍场景分类等应用中表现出优越性能。为实现六边形处理，现有研究主要采用 ZeroOut 方法模拟六边形处理，这带来了大量的内存与计算开销。我们针对这一不足提出了一种名为 HexCNN 的新型原生六边形 CNN 框架。HexCNN 接收六边形形状的输入，并基于六边形形状的滤波器在输入原始形态上执行前向与反向传播，从而避免了模拟所带来的计算与内存开销。对于输入为矩形形状但需要六边形处理的应用，可将输入填充为六边形作为预处理来应用 HexCNN。在这种情况下，我们表明 HexCNN 的时空效率仍大幅优于现有六边形 CNN 方法。实验结果表明，与使用矩形形状滤波器模拟六边形处理的 SOTA 模型相比，HexCNN 将训练时间最多减少 42.2%。同时，HexCNN 在加载输入和执行卷积方面分别最多节省 25% 和 41.7% 的内存空间开销。
引用
@article{arxiv.2101.10897,
title = {HexCNN: A Framework for Native Hexagonal Convolutional Neural Networks},
author = {Yunxiang Zhao and Qiuhong Ke and Flip Korn and Jianzhong Qi and Rui Zhang},
journal= {arXiv preprint arXiv:2101.10897},
year = {2021}
}