SRE-Conv：用于生物医学图像分类的对称旋转等变卷积
计算机视觉与模式识别
2025-01-17 v1 机器学习
图像与视频处理
摘要
卷积神经网络（CNN）是计算机视觉任务的重要工具，但它们缺乏提取特征的传统理想特性，而这些特性可以进一步提升模型性能，例如旋转等变性。此类特性在生物医学图像中普遍存在，因为这类图像通常没有明确的方向。当前的工作主要依赖数据增强或显式模块来捕捉方向信息，但这以增加训练成本或对所需等变性的无效近似为代价。为了克服这些挑战，我们提出了一种新颖且高效的对称旋转等变（SRE）卷积（SRE-Conv）核的实现，旨在学习旋转不变特征的同时压缩模型大小。SRE-Conv 核可以轻松集成到任何 CNN 主干网络中。我们使用公开的 MedMNISTv2 数据集（共 16 个任务）验证了深度 SRE-CNN 捕捉旋转等变性的能力。SRE-Conv-CNN 在所有 16 个测试数据集上的 2D 和 3D 图像旋转图像分类性能准确率均有所提升，同时通过更少的参数和降低的内存占用提高了效率。代码可在 https://github.com/XYPB/SRE-Conv 获取。
引用
@article{arxiv.2501.09753,
title = {SRE-Conv: Symmetric Rotation Equivariant Convolution for Biomedical Image Classification},
author = {Yuexi Du and Jiazhen Zhang and Tal Zeevi and Nicha C. Dvornek and John A. Onofrey},
journal= {arXiv preprint arXiv:2501.09753},
year = {2025}
}
备注
Accepted by IEEE ISBI 2025 4-page paper