向量神经元：一种用于 SO(3)-等变网络的通用框架
计算机视觉与模式识别
2021-04-27 v1
摘要
在 3D 深度学习社区中，对于点云的旋转群不变性与等变性已被广泛讨论。然而大多数已有方法要么使用可能限制其易用性的复杂数学工具，要么绑定到特定的输入数据类型与网络架构。在本文中，我们引入一个构建于所谓向量神经元表示之上的通用框架，用于创建处理点云的 SO(3)-等变神经网络。将神经元从一维标量扩展为三维向量，我们的向量神经元实现了 SO(3) 作用到隐空间的简单映射，从而为常见神经操作——包括线性层、非线性激活、池化与归一化——构建等变性提供框架。由于其简单性，向量神经元具有通用性，并且正如我们展示的，可被纳入多样的网络架构骨干中，使它们能以任意姿态处理几何输入。尽管简单，我们的方法在分类与分割任务上的精度与泛化能力同其他更复杂且专用的 SOTA 方法相当。我们还首次展示了一个旋转等变重建网络。
引用
@article{arxiv.2104.12229,
title = {Vector Neurons: A General Framework for SO(3)-Equivariant Networks},
author = {Congyue Deng and Or Litany and Yueqi Duan and Adrien Poulenard and Andrea Tagliasacchi and Leonidas Guibas},
journal= {arXiv preprint arXiv:2104.12229},
year = {2021}
}