对图像进行极坐标变换后,利用卷积神经网络进行太阳辐射预测比进行数据旋转增广的方法具有更高的预测准确率和更短的训练时间。
Nov, 2021
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
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
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
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
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
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
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。
本文提出了一种新型的点云卷积运算符,实现了旋转不变性,通过使用旋转不变的几何特征设计点云学习的卷积运算符,解决了点排序问题,并将其作为神经网络的基本构建块,能在 6 自由度变换下具有稳健性,在物体分类和分割等任务中表现出高精度。
Aug, 2019