平面曲线微分不变量的学习
计算机视觉与模式识别
2023-03-08 v1 微分几何
摘要
我们提出了一种用于平面曲线微分不变量数值逼近的学习范式。深度神经网络（DNNs）的通用逼近性质被用于估计几何度量。所提出的框架被证明是公理化构造的可取替代方案。具体而言，我们展示了 DNNs 能够学会克服不稳定性与采样伪影，并为受平面中给定变换群作用的曲线产生一致的签名。我们将所提方案与替代的最先进微分不变量公理化构造进行比较。我们从定性和定量上评估了我们的模型，并提出了一种基准数据集来评估平面曲线微分不变量的逼近模型。
引用
@article{arxiv.2303.03458,
title = {Learning Differential Invariants of Planar Curves},
author = {Roy Velich and Ron Kimmel},
journal= {arXiv preprint arXiv:2303.03458},
year = {2023}
}
备注
SSVM 2023. arXiv admin note: substantial text overlap with arXiv:2202.05922