学习视觉表征的转换属性

ICLRDec, 2014

Transformation Properties of Learned Visual Representations

Taco S. Cohen, Max Welling

TL;DR该文利用群表示论和可线性转换的可视化表示概念，证明了任何这种表示都等价于基本不可约表示的组合，并表明在受限条件下，不可约表示是相互独立的。在部分可观察性下，需要对可转换线性的潜在表示执行推理。此想法在利用三维转动群 SO（3）的潜在表示的旋转 NORB 对象的模型中得到了演示。

Abstract

When a three-dimensional object moves relative to an observer, a change occurs on the observer's image plane and in the visual representation computed by a learned model. Starting with the idea that a good visual repres

visual representation group representations irreducible representations partial observability latent representation

发现论文，激发创造

学习可交换李群的不可约表示

介绍一个新的概率模型，它针对紧致交换李群进行不变 - 等变和解开聚合表示数据。使用从物理学中借用的基本原理来定义解开概念。训练模型并表明学习到的不变表示对于分类非常有效。

Feb, 2014

学到的表示的测地线

提出了一种新方法来可视化和精细化学习表示的不变性，并测试了线性化的一般形式，发现现有的图像分类网络对于平移、旋转和扩展等几何图像变换不能很好地线性化，但通过改进表示方法可以解决这一问题。

Nov, 2015

通过诱导和限制表示进行等变单视角姿态预测

从二维图像中学习关于三维世界的知识是计算机视觉中的一个基本问题，本文提出了一种学习三维表示的算法，满足几何一致性约束，并在三个姿态预测任务中取得了 SOTA 结果。

Jul, 2023

利用群表示理解图像运动

提出了一个以变换的群属性为基础的运动模型，使用它训练了一个图像运动的表示方法。使用此方法训练的深度神经网络对合成的 2D 序列和真实世界的车辆运动序列都捕捉到了运动特征；在车辆运动的背景下，此方法提取了用于定位、跟踪和测距的信息。这一表示方法在很难获取明确标签的情况下学习运动非常有用。

Dec, 2016

变换编码：等变表示的简单目标

通过简单的目标函数实现深度表示学习的同变深度嵌入，使用不同 Lie 群的变换编码目标实现表示的分解和解缠缠绕，并应用于各种下游任务，包括强化学习。

Feb, 2022

使用形状不变李群变换器从一系列图像中区分模式和变换

采用基于李群变换器的代数方法实现场景的表征学习，能够自动发现场景中的独立对象和多种形状不变变换方式，从而实现场景简化。

Mar, 2022

学习李群变换的非监督算法

该论文提出了一种方法，可以将 Lie 群适配到高维数据集上，通过一个特定的模糊算子使推理可以逃脱局部最小值，鼓励发现稀疏的、最小距离的状态之间的变换，同时演示了如何在自然图像补丁和自然视频序列上进行变换学习和推理。

Jan, 2010

强健不变表示中的领域通用性

本文研究对象识别中不变表示的泛化性，经过广泛实验，我们证明了不变模型学习到的非结构化潜在表示对分配偏移具有鲁棒性，因此使不变性成为有限资源环境中训练的理想属性。

Apr, 2023

通过轨道嵌入得到局部群不变表示

本文提出了一种基于核方法的技术来推导局部群不变表示，通过在群上定义适当的概率分布来实现局部性，并使用核方法的强大框架来学习这些分布上的决策函数，从而生成局部不变随机特征映射。经实验证明，在三个真实数据集上，该方法优于基于核的竞争方法，并且在 Rotated-MNIST 上表现优于深度 CNN，并且与最近提出的群等变 CNN 表现相当。

Dec, 2016

通过测量等变性和等价性来理解图像表示

本文探讨了图像表示的数学属性，如同变性，不变性和等价性等，提出了多种方法来实现这些属性，并应用到流行的表示中来揭示其结构的有益方面。

Nov, 2014