基于卷积滤波器分解的尺度 - 平移等变网络

Sep, 2019

基于卷积滤波器分解的尺度 - 平移等变网络

Scaling-Translation-Equivariant Networks with Decomposed Convolutional Filters

Wei Zhu, Qiang Qiu, Robert Calderbank, Guillermo Sapiro, Xiuyuan Cheng

TL;DR本文提出一种基于 ST 等变卷积神经网络的多尺度图像分类方法，通过卷积滤波器的低频分解和截断，实现了更好的变形鲁棒性和可解释性。数值实验表明，相比常规 CNN，该方法在多尺度图像分类任务中性能显著提高，且模型尺寸更小。

Abstract

Encoding the scale information explicitly into the representation learned by a convolutional neural network (CNN) is beneficial for many computer vision tasks especially when dealing with multiscale inputs. We study, in this paper, a scaling-translation-equivariant (ST-equivariant) CNN with joint convolutions across the space and the scaling group, which is

scaling-translation-equivariant cnn convolutional filters multiscale image classification deformation robustness interpretability

发现论文，激发创造

尺度等变可转移网络

介绍了一种使用可控滤波器建立尺度等变卷积网络的通用理论，并将其他常见块推广为尺度等变块，此方法具有计算效率和数值稳定性，同时在 MNIST-scale 数据集和 STL-10 数据集中实现了领先水平的分类结果。

Oct, 2019

变形鲁棒的旋转 - 缩放 - 平移等变卷积神经网络

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

三维数据尺度等变深度学习

本文介绍了一种针对三维数据的尺度等变卷积神经网络层，可以在医学图像分割中实现尺度等变，相关的实验证明了该方法的有效性。

Apr, 2023

利用类似卷积实现网络的尺度和旋转等变性增强

本文提出了一种方法，通过使用可缩放的傅里叶 - 阿甘德表示法和类似卷积的操作来实现卷积神经网络对于平移、旋转和缩放的同时等变性，并验证了该方法在图像分类任务方面的有效性和对缩放和旋转输入的泛化能力。

Mar, 2023

学习可转滤波器用于旋转等变卷积神经网络

本文介绍了一种基于可平移、可旋转等变性的创新神经网络结构，采用可旋转滤波器和群卷积实现了对变换的兼容性，使用改进的权重初始化方案来提高准确率，在旋转 MNIST 基准测试和 ISBI 2012 2D EM 语义分割挑战中取得了良好表现。

Nov, 2017

用于高效分组等变卷积神经网络的蒙特卡罗增强分解滤波器的自适应聚合

本文提出一种基于卷积神经网络（CNN）的算法 ——G-CNN，结合 Monte Carlo 采样策略和切变等变 CNN，实现对自然图像的高效分类和处理，并能以高数据效率超越传统 CNN 方法。

May, 2023

具有傅立叶层的真正尺度相等深度神经网络

在计算机视觉中，为了有效地执行图像分割等任务，模型必须能够适应图像分辨率的变化，这被称为尺度等变性。最近的研究通过权重共享和内核调整等方式，取得了在发展尺度等变性卷积神经网络方面的进展。然而，在实践中，这些网络并不是真正的尺度等变性的。为了解决这个问题，我们直接在离散域中考虑了抗锯齿，并提出了一种基于傅里叶层的新型架构，以实现真正的尺度等变深度网络，即绝对零等变误差。在先前的研究基础上，我们对 MNIST-scale 和 STL-10 数据集上测试了这个模型。我们提出的模型在保持零等变误差的同时，实现了有竞争力的分类性能。

Nov, 2023

卷积神经网络中的向量场尺度等变性

研究注入本地规模等变性对卷积神经网络的影响，通过在多个尺度上应用每个卷积滤波器来实现。输出是一个向量场编码，用于表示最大激活尺度和尺度本身，这进一步由以下卷积层进行处理。这可使所有中间表示在本地上成为规模等变的。研究发现，这种方法在 MNIST 数字的随机缩放因素回归等已知规模等变任务中会显着提高模型性能超过 20％。此外，还发现该方法对于实际随机缩放数字的分类等尺度不变任务也有用。

Jul, 2018

DISCO：精准离散尺度卷积

通过权重共享和卷积核重新缩放的方式，基于一些普遍的先决条件，建立了精确的尺度卷积等变性，并为所有情况找到了确切的解，并计算其余近似值。这种离散尺度卷积具有重要意义，能在 MNIST-scale 和 STL-10 的监督学习中达到最新分类性能，并通过 OTB-13 上尺度等变 Siamese 跟踪器改进了计算效率。

Jun, 2021

RotDCF: 用于旋转等变深度网络的卷积滤波器分解

本文提出了一种名为 RotDCF 的同变卷积神经网络，通过将卷积滤波器分解成联合可旋转基，来处理图像的全局形变，在保持性能的同时，显著减少了模型大小和计算复杂度，并证明了同变表示对输入变化具有稳定性。

May, 2018