PDO-s3DCNNs：基于偏微分算子的可转向三维卷积神经网络
计算机视觉与模式识别
2022-08-09 v1
摘要
可转向模型通过用表示论与特征场语言表述等变要求，可提供非常通用且灵活的等变性，已被证实对许多视觉任务有效。然而，由于三维旋转数学更为复杂，推导三维旋转的可转向模型远比二维情形困难。本工作中，我们采用偏微分算子（PDOs）建模三维滤波器，并推导出通用的可转向三维 CNN，称为 PDO-s3DCNNs。我们证明等变滤波器满足线性约束，该约束可在多种条件下高效求解。据我们所知，PDO-s3DCNNs 是面向三维旋转最通用的可转向 CNN，因其覆盖 的所有常见子群及其表示，而现有方法仅能应用于特定群与表示。大量实验表明，我们的模型在离散域能良好保持等变性，并以低网络复杂度在 SHREC'17 检索与 ISBI 2012 分割任务上优于先前工作。
引用
@article{arxiv.2208.03720,
title = {PDO-s3DCNNs: Partial Differential Operator Based Steerable 3D CNNs},
author = {Zhengyang Shen and Tao Hong and Qi She and Jinwen Ma and Zhouchen Lin},
journal= {arXiv preprint arXiv:2208.03720},
year = {2022}
}
备注
accepted by ICML2022