球面上用于可扩展且旋转等变的球面 CNN 的散射网络
计算机视觉与模式识别
2022-01-25 v4 天体物理仪器与方法
机器学习
图像与视频处理
摘要
最近发展起来的在球面上原生构造的卷积神经网络（CNNs）已被证明对球面数据分析非常有效。虽然已提出一个高效的框架，但球面 CNN 仍然计算需求极高；通常它们无法扩展到数千像素以上的球面信号。我们开发了在球面上原生构造的散射网络，为球面数据提供了强大的表示空间。球面散射网络在计算上可扩展并表现出旋转等变性，而其表示空间对等距变换不变，并提供高效且稳定的信号表示。通过将散射网络作为广义球面 CNN 框架中一种附加类型的层进行集成，我们展示了如何利用它们将球面 CNN 扩展到许多实际应用典型的高分辨率数据，即数千万像素及以上的球面信号。
引用
@article{arxiv.2102.02828,
title = {Scattering Networks on the Sphere for Scalable and Rotationally Equivariant Spherical CNNs},
author = {Jason D. McEwen and Christopher G. R. Wallis and Augustine N. Mavor-Parker},
journal= {arXiv preprint arXiv:2102.02828},
year = {2022}
}
备注
18 pages, 6 figures, accepted by ICLR, code at https://www.kagenova.com/products/fourpiAI/