李群上的 B - 样条卷积神经网络
该研究提出了一种 Lie 群 - CNN 模型,利用群卷积模块的全连接网络和 Lie - 代数实现了尺度旋转等变性,进而成功地从图像中提取几何特征并实现了对图像的等变识别。
Jun, 2023
介绍了一种新型卷积神经网络,称为 Group equivariant Convolutional Neural Networks (G-CNNs),它通过利用对称性降低样本复杂度,使用新型层 G-convolutions,增加网络的表达能力,且易于使用和实现。 G-CNNs 在 CIFAR10 和旋转的 MNIST 上实现了最先进的结果。
Feb, 2016
使用李群和李代数的结构与几何学,提出了一个框架,用来在大多数情况下处理几何变换的不规则群,重点关注李群 GL+(n, R) 和 SL (n, R),以及它们作为仿射变换的表示。通过将 `较大的` 群分解为子群和子流形来实现不变积分和全局参数化。在这个框架下,我们展示了如何参数化卷积核来构建关于仿射变换等变的模型,并在标准的仿射不变基准分类任务上评估了我们模型的鲁棒性和越域泛化能力,结果表明我们的模型优于所有先前的等变模型以及所有胶囊网络提议。
Oct, 2023
本文研究群等变卷积神经网络,在训练时隐式地通过具体的架构对模型进行正则化处理来实现其显式的对称性偏置,从而实现模型的推广。同时,文中还提出了傅里叶空间隐式正则化模型的解释,并通过实验证明了该模型的有效性。
Oct, 2021
本文介绍了一种使用李群上的卷积(group convolutions over Lie groups)来实现任何形变的不变性的严谨数学框架,经实验证明在具有仿射不变性的分类任务中,我们的方法比传统 CNN 提高了 30%的准确性,同时优于大多数 CapsNets。
Nov, 2021
使用 MLP 来参数化 G - 可操作的卷积核,提出了一种简单灵活的 Steerable CNNs 框架,可推广到任何可建立 G - 等变 MLP 的群组 G。在点云(ModelNet-40)和分子数据(QM9)上应用我们的方法,与标准的 Steerable CNNs 相比,性能有显著提高。
Dec, 2022
该论文提出一种构建卷积层、使其对任何指定李群的变换具有等变性的通用方法,并展示了该方法在图像、分子数据和 Hamiltonian 系统等领域的应用。该方法特别适用于 Hamiltonian 系统,可以保持线性和角动量的精确守恒。
Feb, 2020
本文提出了一个 G-CNNs 的数学框架,证明了如果输入和输出特征空间根据受激表示变换,则网络的层为卷积操作。这个结果确定了 G-CNNs 是一个通用的等变网络结构类,它一般化了最近对正则表示之间的交错操作的重要工作。
Mar, 2018
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