利用旋转等变卷积网络实现样本高效的语义分割
计算机视觉与模式识别
2018-07-03 v1 机器学习
机器学习
摘要
我们提出一种利用旋转和反射对称性的语义分割模型。我们展示了由于增加的权重共享带来的样本效率显著提升，以及对对称性变换鲁棒性的改善。通过引入一种新的等变（G->Z2）卷积，将群上的特征图变换为平面特征图，群等变 CNN 框架被扩展用于分割。此外，还构建了等变转置卷积用于编码器-解码器网络中的上采样。为证明样本效率的提升，我们在旋转等变分割任务（组织病理学图像中的癌症转移检测）的多种数据规模下进行了评估。我们进一步通过变化群的大小展示了利用更多对称性的有效性。
引用
@article{arxiv.1807.00583,
title = {Sample Efficient Semantic Segmentation using Rotation Equivariant Convolutional Networks},
author = {Jasper Linmans and Jim Winkens and Bastiaan S. Veeling and Taco S. Cohen and Max Welling},
journal= {arXiv preprint arXiv:1807.00583},
year = {2018}
}
备注
Presented at the ICML workshop: Towards learning with limited labels: Equivariance, Invariance, and Beyond, 2018