SurReal：面向复值深度学习的 Fréchet 均值与距离变换
计算机视觉与模式识别
2019-06-25 v1
摘要
我们为天然复值数据开发了一种新颖的深度学习架构，这类数据常面临复缩放歧义。我们将每个样本视为复数空间中的一个场。借助复值数的极坐标形式，作用于该空间的一般群是平面旋转与非零缩放的乘积。这一视角使我们不仅能够利用黎曼流形上的加权 Fréchet 均值（wFM）开发一种新颖的卷积算子，还能利用到 wFM 的距离开发一种新颖的全连接层算子，前者对非零缩放和平面旋转具有自然的等变性质，后者具有不变性质。与在复值数据的双通道实值表示上学习实值神经网络模型的基线方法相比，我们的方法在两个公开复值数据集上取得了卓越性能：SAR 图像上的 MSTAR 和射频信号上的 RadioML。在 MSTAR 上，以基线模型 8% 的规模和少于 45,000 个参数，我们的模型在该高度不平衡数据集上将目标分类准确率从 94% 提升至 98%。在 RadioML 上，我们的模型以基线模型 10% 的规模实现了相当的射频调制分类准确率。
引用
@article{arxiv.1906.10048,
title = {SurReal: Fr\'echet Mean and Distance Transform for Complex-Valued Deep Learning},
author = {Rudrasis Chakraborty and Jiayun Wang and Stella X. Yu},
journal= {arXiv preprint arXiv:1906.10048},
year = {2019}
}
备注
IEEE Computer Vision and Pattern Recognition Workshop on Perception Beyond the Visible Spectrum, Long Beach, California, 16 June 2019 Best Paper Award