学习颜色等变表示
计算机视觉与模式识别
2026-04-14 v7 机器学习
摘要
本文介绍了面向颜色变化等变性的群卷积神经网络（GCNN）。GCNN已被设计用于各种几何变换，从二维和三维旋转群到尺度半群。尽管这些架构在解释性、准确性和可泛化性方面均取得了改进，但GCNN在感知量相关应用中见到了有限的应用。值得注意的是，最近的CEConv网络使用GCNN实现对色调变换的等变性，通过对输入图像与旋转RGB滤波器进行卷积。然而，这种方法会导致无效的RGB值，从而破坏等变性并降低性能。我们通过引入一个升力层来直接转换输入图像，从而规避无效RGB值的问题，并将等变性误差提高了三个数量级。此外，我们将颜色等变性的概念扩展到包括饱和度和亮度偏移的等变性。我们的色调、饱和度、亮度和颜色等变网络在面向外分布感知变化的泛化能力强劲，样本效率也优于传统架构。在合成数据集和真实世界数据集上，我们持续地优于竞争性基线。
引用
@article{arxiv.2406.09588,
title = {Learning Color Equivariant Representations},
author = {Yulong Yang and Felix O'Mahony and Christine Allen-Blanchette},
journal= {arXiv preprint arXiv:2406.09588},
year = {2026}
}
备注
Accept to The 13th International Conference on Learning Representations (ICLR 2025)