Riesz特征表示：用于分类任务的尺度等变散射网络
计算机视觉与模式识别
2024-01-12 v2
摘要
散射网络产生强大且鲁棒的层次化图像描述子，其不需要冗长的训练，并且在极少训练数据下表现良好。然而，它们依赖于对尺度维度的采样。因此，它们对尺度变化敏感，并且无法泛化到未见过的尺度。在这项工作中，我们定义了一种基于Riesz变换的替代特征表示。我们详述并分析了该表示背后的数学基础。特别地，它从Riesz变换继承了尺度等变性，并完全避免了对尺度维度的采样。此外，与散射网络相比，该表示中的特征数量减少了四倍。尽管如此，我们的表示在纹理分类上表现相当好，并带来一个有趣的附加特性：尺度等变性。当处理超出训练数据集所覆盖尺度的情况时，我们的方法表现出更优的性能。等变性的有用性在数字分类任务中得到展示，即便尺度比训练所选尺度大四倍，准确率仍保持稳定。作为第二个例子，我们考虑纹理分类。
引用
@article{arxiv.2307.08467,
title = {Riesz feature representation: scale equivariant scattering network for classification tasks},
author = {Tin Barisin and Jesus Angulo and Katja Schladitz and Claudia Redenbach},
journal= {arXiv preprint arXiv:2307.08467},
year = {2024}
}