SPIN：简化极坐标不变性用于神经网络及在基于视觉的辐照度预报中的应用
计算机视觉与模式识别
2022-04-11 v3
摘要
由池化操作引起的平移不变性是卷积神经网络的固有属性，它促进了众多计算机视觉任务如分类。然而，要利用旋转不变任务，卷积架构需要特定的旋转不变层或大量的数据增强，以从给定空间配置的多种旋转版本中学习。将图像展开为其极坐标提供了一种更显式的表示来训练卷积架构，因为旋转不变性变成了平移不变性，因此给定场景的视觉上不同但等价的旋转版本可以从单张图像中学习。我们通过两个常见的基于视觉的太阳辐照度预报挑战（即使用地面拍摄的天空图像或卫星图像）表明，这一预处理步骤通过标准化场景表示显著改善了预测结果，同时将训练时间相比用旋转增广数据减少了4倍。此外，该变换放大了旋转中心周围的区域，从而带来更准确的短期辐照度预测。
引用
@article{arxiv.2111.14507,
title = {SPIN: Simplifying Polar Invariance for Neural networks Application to vision-based irradiance forecasting},
author = {Quentin Paletta and Anthony Hu and Guillaume Arbod and Philippe Blanc and Joan Lasenby},
journal= {arXiv preprint arXiv:2111.14507},
year = {2022}
}
备注
CVPR 2022 - OmniCV workshop (oral)