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

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

提出了一种基于射线束抽样和径向滤波器的图像规范化模型及其训练方法 BIC，实现了对于旋转不变性的视觉处理，与经典卷积神经网络相比，能够更有效地处理该类问题。

Jun, 2022

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

本文提出了基于核旋转和翻转的一组方法，以实现对卷积神经网络中的旋转和翻转不变性，结果表明，这些方法能够在合理的资源要求下实现不同的不变性。

Nov, 2017

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

研究卷积神经网络中实现图像识别中的平移不变性的因素，并发现训练数据增量是获得平移不变表示的最重要因素。

Dec, 2017

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

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