通过 $G$-Biases 实现松弛旋转等变性
计算机视觉与模式识别
2025-01-15 v3 人工智能
摘要
Group Equivariant Convolution (GConv) 可以从原始数据中捕获旋转等变性。它假设在所有特征上都具有均匀且严格的旋转等变性，这些特征在特定群的变换下均满足等变性。然而，现实世界数据呈现或分布的方式很少符合严格的旋转等变性，通常被称为Rotational Symmetry-Breaking (RSB)，这是系统或数据集中的现象，使得GConv无法有效适应这一现象。为此，我们提出一种简单却高效的方法来解决此问题，该方法利用一组称为 -Biases 的可学习偏置项，在群的阶数上打破严格的群约束，从而实现松弛旋转等变卷积 (RREConv)。为验证RREConv的效率，我们在离散旋转群 上进行了大量消融实验。实验表明，基于RREConv的方法在自然图像数据集上的分类和2D目标检测任务中，相较于现有GConv方法，取得了优异的性能。
引用
@article{arxiv.2408.12454,
title = {Relaxed Rotational Equivariance via $G$-Biases in Vision},
author = {Zhiqiang Wu and Yingjie Liu and Licheng Sun and Jian Yang and Hanlin Dong and Shing-Ho J. Lin and Xuan Tang and Jinpeng Mi and Bo Jin and Xian Wei},
journal= {arXiv preprint arXiv:2408.12454},
year = {2025}
}