为旋转等变 CNN 学习可操纵滤波器
机器学习
2018-03-20 v3 计算机视觉与模式识别
摘要
在许多机器学习任务中，期望模型的预测在其输入变换下以等变方式变换。卷积神经网络 (CNNs) 通过构造实现平移等变性；然而，对于其他变换，它们被迫学习适当的映射。在这项工作中，我们开发了可操纵滤波器 CNN (SFCNNs)，其通过设计实现平移和旋转下的联合等变性。所提出的架构采用可操纵滤波器，在许多方向上高效计算方向相关响应，且不会因滤波器旋转产生插值伪影。我们利用群卷积以保证等变映射。此外，我们将 He 的权重初始化方案推广到定义为原子滤波器系统线性组合的滤波器。数值实验表明，随着采样滤波器方向数量的增加，样本复杂度显著增强，并确认网络在方向上泛化了学习到的模式。所提方法在旋转 MNIST 基准和 ISBI 2012 2D EM 分割挑战上达到了最先进水平 (state-of-the-art)。
引用
@article{arxiv.1711.07289,
title = {Learning Steerable Filters for Rotation Equivariant CNNs},
author = {Maurice Weiler and Fred A. Hamprecht and Martin Storath},
journal= {arXiv preprint arXiv:1711.07289},
year = {2018}
}
备注
Camera ready version, accepted for CVPR 2018