关于姿态估计神经网络的敏感性：旋转参数化、Lipschitz常数与可证明界
计算机视觉与模式识别
2022-03-21 v1 机器学习
摘要
本文研究确定姿态估计神经网络敏感性界这一任务。该任务尤其具有挑战性，因为它需要刻画3D旋转的敏感性。我们提出了一种敏感性度量，描述网络输出的最大旋转变化相对于其输入欧氏变化的关系。我们证明该度量是Lipschitz常数的一种，并且它由网络的欧氏Lipschitz常数与旋转参数化的一种内在属性（我们称之为“距离比常数”）的乘积所界定。我们推导了若干旋转参数化的距离比常数，并随后讨论了为何这些大多数参数化的结构使得构建具有可证明敏感性界的姿态估计网络十分困难。然而，我们表明，对于使用无约束指数坐标参数化旋转的网络，可以计算其敏感性界。我们随后构建并训练了这样一个网络，并为其计算了敏感性界。
引用
@article{arxiv.2203.09937,
title = {On the sensitivity of pose estimation neural networks: rotation parameterizations, Lipschitz constants, and provable bounds},
author = {Trevor Avant and Kristi A. Morgansen},
journal= {arXiv preprint arXiv:2203.09937},
year = {2022}
}
备注
14 pages, 7 figures