基于群等变CNN的旋转三维纹理分类
计算机视觉与模式识别
2018-10-17 v1
摘要
卷积神经网络（CNNs）传统上通过卷积操作编码平移等变性。近来，将泛化推广到其他变换以在群卷积操作中编码数据几何知识受到了关注。由于可能的模式方向高度多样，对旋转等的等变性对于三维图像分析尤为重要。三维纹理是分析 CT 和 MRI 扫描等医学图像的重要线索，因为它描述了不同类型的组织和病变。在本文中，我们评估了使用三维群等变 CNNs（考虑直角旋转的简化群）对来自公开数据集的三维合成纹理进行分类。结果在受控设置下验证了旋转等变性的重要性，但同时也促使使用更精细的方向覆盖，以获得对三维纹理中存在的真实旋转的等变性。
引用
@article{arxiv.1810.06889,
title = {Rotational 3D Texture Classification Using Group Equivariant CNNs},
author = {Vincent Andrearczyk and Adrien Depeursinge},
journal= {arXiv preprint arXiv:1810.06889},
year = {2018}
}