用于深度旋转回归的射影流形梯度层
计算机视觉与模式识别
2022-03-31 v3
摘要
利用深度神经网络在 SO(3) 流形上回归旋转是一个重要而未解决的问题。欧几里得网络输出空间与非欧 SO(3) 流形之间的鸿沟对神经网络在前向与反向传播中的学习都带来了严峻挑战。尽管若干工作提出了不同的利于回归的旋转表示，但极少有工作致力于改进反向传播中的梯度回传。本文中，我们提出一种流形感知梯度，可直接回传至深度网络权重。利用黎曼优化构造新颖的射影梯度，我们提出的正则化射影流形梯度（RPMG）方法帮助网络在多种旋转估计任务中达到新的 SOTA 性能。我们提出的梯度层也可应用于其他光滑流形如单位球面。我们的项目页面位于 https://jychen18.github.io/RPMG。
引用
@article{arxiv.2110.11657,
title = {Projective Manifold Gradient Layer for Deep Rotation Regression},
author = {Jiayi Chen and Yingda Yin and Tolga Birdal and Baoquan Chen and Leonidas Guibas and He Wang},
journal= {arXiv preprint arXiv:2110.11657},
year = {2022}
}
备注
CVPR2022