数字病理学的旋转等变卷积神经网络
本文提出一种框架,通过引入 SE(2)-group 卷积层在卷积神经网络中编码 SE(2)特殊欧几里得运动群的几何结构,实现了平移和旋转等变性。该结构可以学习具有离散定向维度的特征表示,并确保其输出在离散旋转集下具有不变性。在三种不同的组织病理图片分析任务(有丝分裂检测,细胞核分割和肿瘤分类)上,该框架取得了一致的性能提高。
Feb, 2020
我们提出了一种语义分割模型,利用旋转和反射对称性,扩展了等变 CNN 框架,通过引入新的等变(G-》Z2)- 卷积和等变转置卷积,实现了对组别特征图的变换与上采样,进而提高了样本效率和鲁棒性,并在癌症转移组织病理图像的多个数据组织方案的旋转等变分割任务上进行了评估,证明了利用更多对称性的高效性。
Jul, 2018
通过在卷积神经网络中应用旋转等变性,本文提出了 DSF-CNN 模型,它使用群卷积在密集连接结构中使用多个旋转拷贝作为每个过滤器的线性组合,以减少可训练参数的数量,并在肿瘤分类、细胞核分割以及多组织核分割等三个计算病理学任务中实现了最先进的性能表现。
Apr, 2020
本文提出了一种卷积神经网络的结构 RotEqNet,该结构能够通过旋转卷积操作和向量场编码等方法实现对遥感图像中同一对象不同方向的识别,提高了识别准确率并大幅度减少了参数数量。
Mar, 2018
本文介绍了四种可以插入神经网络模型中的操作,并将它们组合起来使这些模型具有部分对称旋转性,并且使得神经网络可以在不同方向共享参数,从而达到更好的性能和模型尺寸。
Feb, 2016
该研究提出了一种基于耦合群卷积的旋转、缩放和平移等变卷积神经网络 RST-CNN,该网络通过稳定性分析可证明具有变形鲁棒性,能在旋转、缩放和平移等输入畸变的情况下保持等变性,从而在 MNIST、Fashion-MNIST 和 STL-10 数据集上实现了显著提升。
Nov, 2021
本文提出了一种卷积网络,它对刚体运动具有等变性。使用 3D 欧几里得空间上的标量场、向量场和张量场来表示数据,并使用等变卷积在这些表示之间映射。实验结果验证了 3D Steerable CNN 对氨基酸倾向预测和蛋白质结构分类等问题的有效性,这些问题均具有 SE(3)对称性。
Jul, 2018
本研究提出了三个关键技术贡献,分别为:一种快速的片段选择方法(FPS)用于全切片图像分析,显著降低计算成本同时保持准确性;一种轻量级组织病理特征提取器 PathDino,仅包含五个 Transformer 块和 900 万参数,较其他方法大大减少;一种使用自监督学习的旋转不变表示学习范式,有效减轻过拟合。并且通过在 12 个不同数据集上的评估,证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器,还验证了其在数字病理学中增强图像分析的鲁棒性。
Nov, 2023
该论文提出了一种用于表面的网络架构,其中包含旋转等变的特征,以解决运输滤波器核时出现的旋转歧义问题。基于圆谐函数的卷积滤波器在离散层次上具有旋转等变性,将该方法应用于三角网中,并在形状对应和分类任务上进行了评估。
Jun, 2020
本研究探讨了等变网络在断层扫描成像应用中的重要性,通过解决卷积神经网络在医学成像系统后处理中的局限性,引入了一种能够减少对特定训练集依赖的等变网络,并验证了球面信号上球面卷积神经网络 (SCNNs) 在去噪和重建基准问题中的优越质量和计算效率,同时利用 SCNNs 作为传统图像重建工具的补充方法,提高成像结果质量并降低对训练集的依赖,本研究观察到 SCNNs 与 CNNs 相比,在保持相同或更高的图像处理质量的同时,显著降低了计算成本,并初步探索了其在更广泛断层扫描成像应用中的潜能,特别是那些需要全方位表示的应用。
Jul, 2023