旋转等变向量场网络
计算机视觉与模式识别
2018-07-06 v3
摘要
在许多计算机视觉任务中，我们期望输出相对于输入图像的旋转具有特定的行为。如果将这种关系显式编码，而不是将其视为任何其他变化，问题的复杂性就会降低，从而导致所需模型的规模减小。在本文中，我们提出了旋转等变向量场网络（RotEqNet），一种编码旋转等变性、不变性和协方差的卷积神经网络（CNN）架构。每个卷积滤波器以多个方向应用，并返回一个向量场，表示在每个空间位置上得分最高方向的幅值和角度。我们开发了一种基于该表示的改进卷积算子，以构建深度架构。我们在需要针对输入旋转做出不同响应的几个问题上测试了 RotEqNet：图像分类、生物医学图像分割、方向估计和图像块匹配。在所有情况下，我们表明 RotEqNet 在参数数量方面提供了极其紧凑的模型，并且提供的结果与规模大几个数量级的网络相当。
引用
@article{arxiv.1612.09346,
title = {Rotation equivariant vector field networks},
author = {Diego Marcos and Michele Volpi and Nikos Komodakis and Devis Tuia},
journal= {arXiv preprint arXiv:1612.09346},
year = {2018}
}
备注
10 pages, accepted at ICCV 2017