利用旋转等变 CNN 进行极高分辨率土地覆盖制图：迈向小而精确的模型
计算机视觉与模式识别
2018-03-19 v1
摘要
在遥感图像中，物体的绝对朝向是任意的。取决于物体的朝向和传感器的飞行路径，同一语义类别的物体在同一图像中可能以不同朝向出现。因此，对旋转的等变性——在此语境下理解为当输入图像旋转时，响应以旋转后的语义标签图输出——是一个非常理想的特性，特别是对于卷积神经网络（CNN）等高容量模型。如果将旋转等变性编码进网络，模型将面临更简单的任务，且无需学习特定的（且冗余的）权重来处理同一物体类别的旋转版本。在本工作中，我们提出了一种称为旋转等变矢量场网络（RotEqNet）的 CNN 架构，将旋转等变性编码进网络本身。通过使用旋转卷积作为构建模块，并以朝向编码矢量场的形式在整个网络中仅传递对应于最大激活朝向的值，RotEqNet 用同一滤波器组处理同一物体的旋转版本，因此即使使用从零开始训练的极小架构也能取得 SOTA 性能。我们在两个具有挑战性的亚分米分辨率语义标注问题上测试了 RotEqNet，结果表明，在所需参数量少一个数量级的情况下，其性能可以超越标准 CNN。
引用
@article{arxiv.1803.06253,
title = {Land cover mapping at very high resolution with rotation equivariant CNNs: towards small yet accurate models},
author = {Diego Marcos and Michele Volpi and Benjamin Kellenberger and Devis Tuia},
journal= {arXiv preprint arXiv:1803.06253},
year = {2018}
}