SplineCNN：基于连续B样条核的快速几何深度学习
计算机视觉与模式识别
2018-05-24 v2
摘要
我们提出基于样条的卷积神经网络（SplineCNN），这是一种面向不规则结构与几何输入（如图或网格）的深度神经网络变体。我们的主要贡献是一种基于B样条的新型卷积算子，由于B样条基函数的局部支撑性质，该算子使计算时间与核大小无关。结果，我们通过使用由固定数量可训练权重参数化的连续核函数，获得了传统CNN卷积算子的推广。与在谱域滤波的相关方法不同，所提方法纯粹在空间域中聚合特征。此外，SplineCNN允许仅以几何结构作为输入，对深度架构进行完整的端到端训练，而非使用手工设计的特征描述子。为验证，我们将该方法应用于图像图分类、形状对应和图节点分类领域的任务，结果表明其优于或与最先进方法持平，同时显著更快且具备域无关等优良特性。
引用
@article{arxiv.1711.08920,
title = {SplineCNN: Fast Geometric Deep Learning with Continuous B-Spline Kernels},
author = {Matthias Fey and Jan Eric Lenssen and Frank Weichert and Heinrich Müller},
journal= {arXiv preprint arXiv:1711.08920},
year = {2018}
}
备注
Presented at CVPR 2018