3D CNN 中的局部旋转不变性
计算机视觉与模式识别
2020-03-20 v1 图像与视频处理
摘要
局部旋转不变（LRI）图像分析已在许多应用中被证明是基础性的，尤其在医学成像中，组织的局部结构以任意旋转出现。LRI 构成了若干纹理分析突破的基石，包括局部二值模式（LBP）、最大响应 8（MR8）和可转向滤波器组。尽管全局旋转不变的卷积神经网络（CNN）近来被提出，LRI 在深度学习背景下极少被研究。LRI 设计允许学习考虑所有朝向的滤波器，与标准 3D CNN 相比，这能大幅减少可训练参数与训练数据。本文中，我们提出并比较了几种获得具有方向敏感性的 LRI CNN 的方法。两种方法使用朝向通道（对旋转核的响应），或通过显式旋转核或使用可转向滤波器。这些朝向通道构成数据的局部旋转等变表示。跨朝向的局部池化产生 LRI 图像分析。可转向滤波器由于涉及实心球谐函数（SH，即 SH 与关联学习径向轮廓的乘积）的参数化表示，被用于实现 3D 旋转精细且高效的采样，并减少可训练参数与运算。最后，我们研究第三种基于从对学习所得一组实心 SH 的响应计算的旋转不变量获得 LRI 的策略。所提方法在包含由旋转图案组成的合成纹理体数据及 CT 中肺结节分类的 3D 数据集上评估并与标准 CNN 比较。结果显示了 LRI 图像分析的重要性，同时大幅减少可训练参数，优于经数据增强训练的标准 3D CNN。
引用
@article{arxiv.2003.08890,
title = {Local Rotation Invariance in 3D CNNs},
author = {Vincent Andrearczyk and Julien Fageot and Valentin Oreiller and Xavier Montet and Adrien Depeursinge},
journal= {arXiv preprint arXiv:2003.08890},
year = {2020}
}