RotDCF：用于旋转等变深度网络的卷积滤波器分解
计算机视觉与模式识别
2018-05-18 v1 机器学习
机器学习
摘要
在深度特征中显式编码群作用使得卷积神经网络（CNNs）能够处理图像的全局形变，这对于许多视觉任务的成功至关重要。本文提出在空间和群几何上同时对可转向基联合分解卷积滤波器，即具有分解卷积滤波器的旋转等变CNN（RotDCF）。该分解有助于计算联合卷积，并被证明是群等变性的必要条件。它在保持性能的同时显著减小了模型规模和计算复杂度，且基展开的截断隐式地正则化了滤波器。在涉及平面内和平面外物体旋转的数据集上，RotDCF深度特征比常规CNN表现出更强的鲁棒性和可解释性。在分解形式滤波器的通用假设下，我们还从理论上证明了等变表示对输入变化的稳定性。RotDCF框架可扩展到旋转以外的群，提供了一种通用方法，在减小模型规模的同时实现群等变性和表示稳定性。
引用
@article{arxiv.1805.06846,
title = {RotDCF: Decomposition of Convolutional Filters for Rotation-Equivariant Deep Networks},
author = {Xiuyuan Cheng and Qiang Qiu and Robert Calderbank and Guillermo Sapiro},
journal= {arXiv preprint arXiv:1805.06846},
year = {2018}
}