可转向 CNN 的隐式卷积核
机器学习
2023-10-30 v3 人工智能
计算机视觉与模式识别
摘要
可转向卷积神经网络（CNN）提供了一个通用框架，用于构建对平移及保原点群 （如反射和旋转）的变换等变的神经网络。它们依赖于标准卷积与 -可转向核，这些核通过解析求解施加于核空间的群特定等变约束获得。由于该解是针对特定群 定制的，实现核基并不能推广到其他对称变换，这给通用群等变模型的开发带来了困难。我们提出使用通过多层感知机（MLP）的隐式神经表示来参数化 -可转向核。所得框架提供了一种简单灵活的方式来实现可转向 CNN，并可推广到任何能够构建 -等变 MLP 的群 。我们在多个任务上证明了方法的有效性，包括 N 体模拟、点云分类和分子性质预测。
引用
@article{arxiv.2212.06096,
title = {Implicit Convolutional Kernels for Steerable CNNs},
author = {Maksim Zhdanov and Nico Hoffmann and Gabriele Cesa},
journal= {arXiv preprint arXiv:2212.06096},
year = {2023}
}
备注
Accepted to 37th Conference on Neural Information Processing Systems (NeurIPS 2023)