极坐标变换器网络
计算机视觉与模式识别
2018-02-02 v3
摘要
卷积神经网络（CNN）天生对平移具有等变性。将其他形式的等变性嵌入其中的研究仅集中于旋转。我们通过极坐标变换器网络（PTN）扩展了CNN中的等变概念。PTN结合了空间变换器网络（STN）与正则坐标表示的思想。其结果是一个对平移不变且对旋转和缩放等变的网络。PTN以端到端方式训练，由三个不同阶段组成：极坐标原点预测器、新引入的极坐标变换模块以及分类器。PTN在旋转MNIST和新引入的SIM2MNIST数据集（一种通过添加杂波并以平移、旋转和缩放扰动数字获得的MNIST变体）上取得了最先进水平（state-of-the-art）。PTN的思想可扩展到3D，我们通过柱坐标变换器网络（Cylindrical Transformer Network）进行了演示。
引用
@article{arxiv.1709.01889,
title = {Polar Transformer Networks},
author = {Carlos Esteves and Christine Allen-Blanchette and Xiaowei Zhou and Kostas Daniilidis},
journal= {arXiv preprint arXiv:1709.01889},
year = {2018}
}
备注
Accepted as a conference paper at ICLR 2018