等距变换不变的基于图的深度神经网络
计算机视觉与模式识别
2018-08-23 v1
摘要
学习视觉数据的变换不变表示是计算机视觉中的重要问题。深度卷积网络在图像与视频分类任务中展现了卓越成果。然而，其在经历几何变换的图像分类上仅取得有限成功。本工作中我们提出一种新颖的基于图的变换不变网络（TIGraNet），其学习的基于图的特征天生对输入图像的旋转与平移等距变换具有不变性。具体而言，图像被表示为图上的信号，从而可用图谱卷积与动态图池化层替代深度网络中的经典卷积与池化层，二者共同促成对等距变换的不变性。我们的实验表明，相较于对数据变换极为敏感的传统架构，本网络在测试集中旋转与平移图像上性能更高。我们框架固有的不变性属性带来关键优势，如增强对数据可变性的鲁棒性以及在有限训练集下保持性能。我们的代码已在线公开。
引用
@article{arxiv.1808.07366,
title = {Isometric Transformation Invariant Graph-based Deep Neural Network},
author = {Renata Khasanova and Pascal Frossard},
journal= {arXiv preprint arXiv:1808.07366},
year = {2018}
}
备注
arXiv admin note: substantial text overlap with arXiv:1703.00356