该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性,从而显著提高了 CNN 在图片识别等许多基准任务上的表现。
Nov, 2019
本文提出一种可插入到既有卷积神经网络中的模块,直接将旋转不变性整合到 CNN 的特征提取层中,而不会增加模型复杂度,通过仅对立体数据进行训练,在旋转测试集上也能表现良好,这将适用于生物医学和天文学等难以获取垂直样本或目标没有方向性的领域,评估结果表明本模块能够有效提高 LeNet-5,ResNet-18 和 tiny-yolov3 的性能表现。
Feb, 2022
本文提出一种简单且有效的卷积算子,通过设计强大的旋转不变特征来增强特征描绘能力,实现旋转不变性,并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。
基于不可学习算子(梯度、排序、局部二值模式、最大值等),本研究设计了一套旋转不变卷积操作(RIConvs),与传统卷积操作具有相同数量的可学习参数和类似的计算过程,可相互替换。在不同数据集上的实验证明,RIConvs 明显提高了卷积神经网络的准确性,尤其是在训练数据有限的情况下,RIConvs 能进一步提升模型性能。
Apr, 2024
本文提出了一种新型的点云卷积运算符,实现了旋转不变性,通过使用旋转不变的几何特征设计点云学习的卷积运算符,解决了点排序问题,并将其作为神经网络的基本构建块,能在 6 自由度变换下具有稳健性,在物体分类和分割等任务中表现出高精度。
Aug, 2019
使用浅层卷积神经网络学习判别滤波器的一种方法,直接编码旋转不变性以提取旋转不变的特征,实现了与标准浅层卷积神经网络相比更高的分类性能并减少了一个数量级的参数量。
Apr, 2016
本文提出了在中间神经网络层引入数据增强以改善卷积神经网络不适用于少量像素旋转或平移的问题,并证明该方法比已有的两种方法获得更好的精度和平均翻转比。
卷积神经网络 (CNN) 在各种计算机视觉任务中提供了最先进的性能。本文研究如何在 CNN 中最佳地包括旋转不变性以进行图像分类,并通过数据增强等方法训练网络以实现旋转不变性。
Oct, 2023
使用常量图像变形后接简单卷积的方法可以使该架构等变于广泛的双参数空间变形,此方法在 Google Earth 数据集和 Annotated Facial Landmarks in the Wild 数据集中都呈现出良好的效果。
Sep, 2016
本文提出了一种 Sorting Convolution 方法,通过分析 MNIST-rot 数据集、结合 VGG、ResNet 和 DenseNet 等模型,实现对卫星遥感图像和纹理图像等分类任务的连续旋转不变性,并且在该任务中取得了最优表现。
May, 2023