PDO-eS2CNNs：基于偏微分算子的等变球面 CNN
计算机视觉与模式识别
2022-01-17 v2 机器学习
摘要
球面信号存在于许多应用中，例如行星数据、LiDAR 扫描与 3D 物体数字化，亟需能有效处理球面数据的模型。将球面数据简单投影到 2D 平面再使用平面卷积神经网络（CNNs）表现不佳，因为投影带来的失真以及无效的平移等变性。实际上，设计球面 CNN 的良好原则是避免失真并将平面 CNN 中的平移等变性转换为球面域中的旋转等变性。本工作中，我们使用偏微分算子（PDOs）设计一种球面等变 CNN，即 PDO-eS2CNN，其在连续域中严格旋转等变。随后我们对 PDO-eS2CNNs 进行离散化，并分析由离散化引起的等变误差。这是首次在球面域中对等变误差进行理论分析。实验中，PDO-eS2CNNs 展现出更高的参数效率，并在多个任务上显著优于其他球面 CNNs。
引用
@article{arxiv.2104.03584,
title = {PDO-eS2CNNs: Partial Differential Operator Based Equivariant Spherical CNNs},
author = {Zhengyang Shen and Tiancheng Shen and Zhouchen Lin and Jinwen Ma},
journal= {arXiv preprint arXiv:2104.03584},
year = {2022}
}
备注
Accepted by AAAI2021