针对旋转和颜色偏移的输入感知部分等价性的变分部分组卷积
计算机视觉与模式识别
2024-07-08 v1 人工智能
机器学习
摘要
群等价CNN(G-CNN)因其能够以等价方式捕获层次特征而在各种任务中表现突出。然而，其等价性固定于整个群的对称性，限制了其适应现实数据集中各种部分对称性的能力，例如手写数字图像的有限旋转对称性和花卉图像的有限颜色偏移对称性。最近的研究努力解决了这一限制，其中一种方法是部分G-CNN，通过限制卷积层的输出群空间来打破完全等价性。然而，这种方法仍无法根据数据调整等价性水平。在本文中，我们提出了一种新方法，变分部分G-CNN(VP G-CNN)，以捕获特定于每个数据实例的可变部分等价性。VP G-CNN重新设计输出群元素的分布，使其依赖于输入数据，利用变分推断以避免过拟合。这使模型能够根据 individual data points 的需求调整其等价性水平。此外，我们通过重新设计可变分的分布来解决离散群等价模型中固有的训练不稳定问题。我们在 toy 数据集和真实世界数据集上 demonstrate了VP G-CNN的有效性，包括MNIST67-180、CIFAR10、ColorMNIST和Flowers102。我们的 results 显示，即使在不确定性 metric 上也表现出稳健的性能。
引用
@article{arxiv.2407.04271,
title = {Variational Partial Group Convolutions for Input-Aware Partial Equivariance of Rotations and Color-Shifts},
author = {Hyunsu Kim and Yegon Kim and Hongseok Yang and Juho Lee},
journal= {arXiv preprint arXiv:2407.04271},
year = {2024}
}
备注
ICML2024