利用径向光束采样学习连续旋转规范化
计算机视觉与模式识别
2023-02-08 v2 人工智能
机器学习
摘要
几乎所有最先进的视觉模型都对图像旋转敏感。现有方法常通过增强训练数据来学习伪不变性，以补偿缺失的归纳偏置。除了资源密集的数据扩充过程外，预测往往泛化性差。卷积神经网络固有的归纳偏置允许通过平行于像素网格水平和垂直轴作用的核实现平移等变性。然而，这种归纳偏置不允许旋转等变性。我们提出了一种径向光束采样策略以及作用于这些光束的径向核，以固有地纳入中心旋转协变性。结合角度距离损失，我们提出了一种基于径向光束的图像规范化模型，简称 BIC。我们的模型允许最大连续角度回归，并将任意中心旋转的输入图像规范化。作为预处理模型，它支持具有模型无关的旋转敏感下游预测的旋转不变视觉流水线。我们表明，我们端到端训练的角度回归器能够在多个视觉数据集（即 FashionMNIST、CIFAR10、COIL100 和 LFW）上预测连续旋转角度。
引用
@article{arxiv.2206.10690,
title = {Learning Continuous Rotation Canonicalization with Radial Beam Sampling},
author = {Johann Schmidt and Sebastian Stober},
journal= {arXiv preprint arXiv:2206.10690},
year = {2023}
}