RIC-CNN：旋转不变坐标卷积神经网络
计算机视觉与模式识别
2022-11-23 v1
摘要
近年来，卷积神经网络在许多图像处理与计算机视觉任务中表现出良好性能。然而，标准 CNN 模型对图像旋转不具有不变性。事实上，输入图像的轻微旋转也会严重降低其性能。这一缺陷阻碍了 CNN 在某些实际场景中的使用。因此，本文致力于设计具有良好旋转不变性的卷积层。具体而言，基于一种简单的旋转不变坐标系，我们提出一种新的卷积操作，称为旋转不变坐标卷积（RIC-C）。无需额外可训练参数与数据增强，RIC-C 对绕输入中心的任意旋转天然具有不变性。此外，我们发现了 RIC-C 与可变形卷积之间的联系，并提出了一种简单而高效的基于 Pytorch 实现 RIC-C 的方法。通过将 CNN 中所有标准卷积层替换为相应的 RIC-C，可导出 RIC-CNN。我们使用 MNIST 数据集首先评估 RIC-CNN 的旋转不变性，并将其性能与大多数现有旋转不变 CNN 模型进行比较。可以观察到，RIC-CNN 在 MNIST 旋转测试数据集上取得了最先进的分类效果。随后，我们将 RIC-C 部署到 VGG、ResNet 和 DenseNet 上，并在两个真实图像数据集上开展分类实验。同时，训练一个浅层 CNN 及相应的 RIC-CNN 来提取图像块描述子，并比较它们在图像块验证中的性能。这些实验结果再次表明，RIC-C 可轻松用作标准卷积的即插即用替代，并极大增强了为不同应用设计的 CNN 模型的旋转不变性。
引用
@article{arxiv.2211.11812,
title = {RIC-CNN: Rotation-Invariant Coordinate Convolutional Neural Network},
author = {Hanlin Mo and Guoying Zhao},
journal= {arXiv preprint arXiv:2211.11812},
year = {2022}
}