Jun, 2023

用于体积医学图像分析的正则 SE (3) 群卷积

PDF
TL;DR本文通过分离一个连续的 SO（3）（旋转）内核和一个连续的空间内核来设计一个 SE（3）群卷积核，通过在均匀的 SO (3) 网格上进行 RBF 插值来参数化连续的 SO (3) 内核，对临床任务的分析显示，我们的 SE（3）等变模型在挑战性医学分类任务上始终优于 CNN 和定期离散 G-CNN，并显示显着改进的泛化能力；我们的方法比定期 CNN 的正确率提高了高达 16.5％。
group convolutional neural networksse(3) roto-translation equivariancevolumetric medical image analysisso(3) kernelgeneralization capabilities
发现论文，激发创造
  • 3D Steerable CNNs：学习体数据中的等变特征

    本文提出了一种卷积网络，它对刚体运动具有等变性。使用 3D 欧几里得空间上的标量场、向量场和张量场来表示数据，并使用等变卷积在这些表示之间映射。实验结果验证了 3D Steerable CNN 对氨基酸倾向预测和蛋白质结构分类等问题的有效性，这些问题均具有 SE（3）对称性。

    Jul, 2018

  • 医学图像分析的旋转平移协变卷积网络

    利用 $SE (2)$ 群卷积提出了一种旋转和平移协变的深度学习框架，可处理旋转输入样本，适用于组织病理学、视网膜成像和电子显微镜等应用，无需数据增强且性能比标准形式的 CNNs 要好。

    Apr, 2018

  • 关于 SO (3) 空间中的傅里叶分析：EquiLoPO 网络

    通过局部模式方向在连续 SO (3) 群上实现分析 3D 体积数据的等变神经网络，提供了对流形旋转不变性的创新方法，并显示出在各个领域具有潜在应用的灵活性。

    Apr, 2024

  • 使用旋转等变卷积网络进行高效语义分割

    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

  • E2PN: 高效的 SE (3) 等变点网络

    本文提出了一个用于学习来自 3D 点云的 SE (3)- 等变特征的卷积结构。它将 KPConv（一种广泛用于处理点云数据的卷积形式）视为等变版本。通过组合群卷积和商表示，我们实现了一个简单，轻量级，快速的设计，能与现有的任务特定点云学习管道集成，同时在各种任务中实现了可比较或更优的性能，消耗更少的内存和运行速度更快。通过实验，我们展示了该方法可以促进点云等变特征学习在实际应用中的采用并激发未来应用的发展。

    Jun, 2022

  • CubeNet: 三维旋转和平移等变性

    介绍了一种 3D 旋转等变 CNN (CubeNet)，该网络通过保留 3D 形状的全局和局部特征，有助于维护体素化对象的有意义表示，并能解释输入之间的姿态差异。应用于各种 3D 推断问题中，在 ModelNet10 分类挑战赛上实现了最先进的性能，并在 ISBI 2012 Connectome 分割基准测试中实现了可比性能。

    Apr, 2018

  • 使用球形 CNN 学习 SO (3) 等变表示

    论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题，进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法，同时还实现了一种用于谱域的新型池化技术，这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。

    Nov, 2017

  • 基于加权蒙特卡洛扩展球形 Fourier-Bessel 卷积层的三维腹部器官分割

    本文描述了一种基于非参数共享的仿射群等变神经网络，用于三维医学图像分割，并基于自适应 Monte Carlo 扩充球形傅里叶 - 贝塞尔滤波基的聚合，通过采用非参数策略的效率和灵活性，首次实现了对体积数据进行高效的三维仿射群等变卷积神经网络的实现，引入的球形贝塞尔傅里叶滤波基结合了角度和半径直交性以实现更好的特征提取，在 BTCV 和 NIH 胰腺数据集上进行的三维图像分割实验表明，所提出的方法在训练稳定性和数据效率方面优于最先进的三维神经网络。

    Feb, 2024

  • 用于三维点云分析的等变点网络

    本文提出了一个有效的 SE（3）网络，它是针对点云分析领域中 3D 形状对齐任务而设计的，可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本，并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释，实证结果表明，我们提出的模型在各种基准测试中优于强基线。

    Mar, 2021

  • 在黎曼流形上进行高阶规范等变 CNN 和应用

    本文介绍一个高阶推广的标准等变卷积的实现方式，即等变 Volterra 网络，使得在给定的接受范围内可以建模空间扩展的非线性交互，同时保持全局同构等变性，最后将它应用到神经影像数据的分类中。

    May, 2023