用于医学图像分析的旋转平移协变卷积网络
计算机视觉与模式识别
2018-06-12 v3 机器学习
群论
摘要
我们提出一种利用 群卷积实现旋转与平移协变深度学习的框架。特殊欧几里得运动群 的群乘积描述了两次旋转平移的级联如何产生净旋转平移。我们通过 群卷积层将这一几何结构编码到卷积神经网络（CNNs）中，这些层适配标准的 2D CNN 框架，并能在无需数据增强的情况下泛化处理旋转的输入样本。我们引入三层：将 2D（向量值）图像提升为 -图像（即定义域为 的 3D（向量值）数据）的提升层；在 -图像之间及与之进行的群卷积层；以及将 -图像投影到 2D 图像的投影层。提升层与群卷积层是 协变的（输出随输入旋转平移）。最终的投影层通过对旋转取最大强度投影使整个 CNN 具有旋转不变性。我们在组织病理学、视网膜成像和电子显微镜三个不同问题上表明，所提出的群 CNN 能在不依赖旋转数据增强的情况下达到最先进的性能，且相比依赖增强的标准 CNN 性能更优。
引用
@article{arxiv.1804.03393,
title = {Roto-Translation Covariant Convolutional Networks for Medical Image Analysis},
author = {Erik J Bekkers and Maxime W Lafarge and Mitko Veta and Koen AJ Eppenhof and Josien PW Pluim and Remco Duits},
journal= {arXiv preprint arXiv:1804.03393},
year = {2018}
}
备注
8 pages, 2 figures, 1 table, accepted at MICCAI 2018