Riesz 网络：单次前向传播中尺度不变的神经网络
计算机视觉与模式识别
2024-01-12 v2 图像与视频处理
摘要
算法的尺度不变性是指其能够平等地对待物体而不受其大小影响的能力。对于神经网络，尺度不变性通常通过数据增强实现。然而，当遇到的尺度远超训练集所覆盖的范围时，神经网络可能无法泛化。在此，我们提出 Riesz 网络，一种新颖的尺度不变神经网络。该网络不使用标准的 2d 或 3d 卷积来整合空间信息，而是基于 Riesz 变换——一种尺度等变操作。因此，该网络在单次前向传播中自然泛化到未见过的乃至任意的尺度。作为一个应用示例，我们考虑在混凝土断层扫描图像中检测和分割裂缝。在此背景下，“尺度”指裂缝宽度，其即使在同一样本中也可能剧烈变化。为证明其尺度不变性，Riesz 网络在一个固定裂缝宽度上训练。随后我们验证其在分割具有广泛裂缝宽度的模拟与真实断层扫描图像上的性能。另在 MNIST Large Scale 数据集上进行了补充实验。
引用
@article{arxiv.2305.04665,
title = {Riesz networks: scale invariant neural networks in a single forward pass},
author = {Tin Barisin and Katja Schladitz and Claudia Redenbach},
journal= {arXiv preprint arXiv:2305.04665},
year = {2024}
}