用于实现连续旋转不变性的排序卷积网络
计算机视觉与模式识别
2023-05-25 v1
摘要
近期，在卷积神经网络（CNNs）中实现旋转不变性的话题获得了相当关注，因为这种不变性对许多计算机视觉任务（如图像分类与匹配）至关重要。在本文中，我们受纹理图像某些手工特征的启发提出一种排序卷积（SC），其在不要求额外可学习参数或数据增强的情况下实现连续旋转不变性。此外，SC 可直接替换经典 CNN 模型中的常规卷积操作以使其具备旋转不变性。基于 MNIST-rot 数据集，我们首先分析了卷积核尺寸、不同采样与排序策略对 SC 旋转不变性的影响，并将我们的方法与先前的旋转不变 CNN 模型比较。随后，我们将 SC 与 VGG、ResNet 和 DenseNet 结合，并在流行的纹理与遥感图像数据集上开展分类实验。我们的结果表明 SC 在上述任务中取得了最佳性能。
引用
@article{arxiv.2305.14462,
title = {Sorted Convolutional Network for Achieving Continuous Rotational Invariance},
author = {Hanlin Mo and Guoying Zhao},
journal= {arXiv preprint arXiv:2305.14462},
year = {2023}
}