基于提升自适应小波的分层球面 CNN 及其池化与上池化
计算机视觉与模式识别
2022-06-01 v1 人工智能
摘要
池化和上池化是构建分层球面卷积神经网络（HS-CNN）以在球面域中进行全面特征学习的两种基本操作。大多数现有模型采用基于下采样的池化，这不可避免地会造成信息损失，且无法适应不同的球面信号与任务。此外，池化后保留的信息无法被后续上池化很好地恢复以刻画任务所需的特征。本文提出一种新颖的具有提升结构的 HS-CNN 框架，用于学习自适应球面小波以进行池化和上池化，称为 LiftHS-CNN，其确保了针对图像级和像素级任务更高效的分层特征学习。具体而言，自适应球面小波由包含可训练提升算子（即更新与预测算子）的提升结构学习得到。借助该可学习的提升结构，我们可将信号自适应地划分为分别包含低频与高频成分的两个子带，从而通过在低频子带中保留更多信息来生成更好的下尺度表示用于池化。更新与预测算子采用基于图的注意力进行参数化，以联合考虑信号特征与底层几何结构。我们进一步表明，所学小波具备特定性质，可确保空频局部化，从而更好地利用信号在空域与频域中的相关性。随后我们提出一种与基于提升的池化可逆的上池化操作，通过使用所学提升算子执行逆小波变换来恢复上尺度表示。在多种球面域任务上的大量实证评估验证了所提 LiftHS-CNN 的优越性。
引用
@article{arxiv.2205.15571,
title = {Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling},
author = {Mingxing Xu and Chenglin Li and Wenrui Dai and Siheng Chen and Junni Zou and Pascal Frossard and Hongkai Xiong},
journal= {arXiv preprint arXiv:2205.15571},
year = {2022}
}