任意 Lie 群的等变性能实现

CVPRNov, 2021

Enabling equivariance for arbitrary Lie groups

Lachlan Ewen MacDonald, Sameera Ramasinghe, Simon Lucey

TL;DR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。

Abstract

Although provably robust to translational perturbations, convolutional neural networks (CNNs) are known to suffer from extreme performance degradation when presented at test time with more general geometric transformations of inputs. Recently, this limitation has motivated a shift in focus from CNNs to Capsule Networks (CapsNets). However, CapsNets suffer fr

convolutional neural networks capsule networks group convolutions lie group affine-invariant classification

发现论文，激发创造

等变神经网络的李群分解

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

将卷积神经网络推广至任意连续数据上的李群等变

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

提高胶囊网络对图像仿射变换的鲁棒性

本文提出 Affine CapsNets，提升 CapsNets 对仿射变换的泛化能力，去除路由机制并在 MNIST 数据集上进行测试，结果表明基准性能从 79% 大幅提升至 93.21%。

Nov, 2019

尺度 - 旋转 - 等变李群卷积神经网络 (Lie Group-CNNs)

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

群等变胶囊网络

我们提出了一种基于群等变胶囊网络的框架，通过引入路由协议算法，实现了保证等变性和不变性的性质，在与群卷积网络相连的同时，提供了一种深度神经网络架构，可控制特定的等变性和不变性属性，并提供可解释和完全等变的表示向量作为输出胶囊。

Jun, 2018

李群上的 B - 样条卷积神经网络

在这篇论文中，我们提出了一种基于 B 样条的模块化框架，用于在任意 Lie 群中设计和实现 G-CNNs 的方法，并在两个基准数据集上研究其影响和潜力。

Sep, 2019

等变可操控神经网络：对对称群的特别强调综述

本研究论文探讨卷积神经网络在对称群中的应用，提出了群等变神经网络的概念和架构，以及使用多种层和滤波器的方法，为对称群的表示和胶囊的细节做出了数学分析。

Jan, 2023

李代数卷积网络自动对称性发现

在物理科学中，利用李代数卷积网络（L-conv）可以发现物理学和对称性之间的直接联系，并且 L-conv 可以作为构建任何等变前馈结构的构建模块。

Sep, 2021

扭曲卷积：对空间变换的高效不变性

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

逆问题的等变神经网络

本文介绍一种使用群等变卷积神经网络来解决逆问题的学习重建方法，通过在迭代方法中建立群等变卷积神经网络解决拉伸同变的问题，实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。

Feb, 2021