Aug, 2024

SBDet：一种通过放松旋转等变性打破对称性的目标检测器

HTML
PDF
TL;DR本研究针对现有对称性检测模型在面对非对称物体或场景时的局限性，提出了一种新的放松旋转等变卷积（R2GConv）方法。通过引入 R2Net 作为基础网络，开发出 SBDet，显著提升了2D目标检测的性能，具有更强的泛化能力和稳健性。
发现论文，激发创造
  • 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

  • SymmetryNet：从单视角 RGB-D 图像中学习预测 3D 形状的对称性（反射对称性和旋转对称性）

    本篇研究提出了一种深度神经网络方法，可以从单视角RGB-D图像中检测三维物体的反射和旋转对称性，并可以预测其对称轴和对称对应关系，同时具有极强的泛化能力，能够处理不同形状、多重对称以及新物体种类的情况。

    Aug, 2020

  • 变形鲁棒的旋转-缩放-平移等变卷积神经网络

    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

  • 通过等变学习进行反射和旋转对称性检测

    该研究提出了一种基于等变特征表示的群等变卷积神经网络(EquiSym)，用于检测具有反射和旋转对称性的图像中的对称性模式，并在新的DENDI数据集上取得了最佳表现。

    Mar, 2022

  • 3D物体检测的旋转等变性

    提出了一种具有对象级旋转等变性的3D物体检测器，EON，其通过旋转等变性悬挂设计来提取具有局部对象级空间支持并能够建模交叉对象上下文信息的等变特征，可应用于现代点云物体检测器，如VoteNet和PointRCNN，以利用场景尺度下的物体旋转对称性，能够显著提高现有最先进3D物体检测器的表现。

    Apr, 2022

  • 3D物理系统中学习对称破缺的放松八面体群卷积

    通过引入松弛八面体群卷积技术，本文提出了一种用于建模三维物理系统的深度等变模型，该技术在数据一致性的基础上既具备了最高级别的等变性，又能够发现物理系统中微小的破坏对称性的因素。实证结果验证了该方法不仅能够揭示相变中的破坏对称性因素，还在流体超分辨率任务中取得了卓越的性能。

    Oct, 2023

  • 自动使用梯度学习层间等变性

    卷积将等变对称性编码到神经网络中，从而提高泛化性能。为了允许灵活的对称约束，我们改进了软等变性的参数化，并通过优化边缘似然来学习层面的等变性。我们展示了在图像分类任务上自动学习层面等变性的能力，获得了与硬编码对称性基线相当或更好的性能。

    Oct, 2023

  • 通过 $G$-偏置实现放宽的旋转等变性在视觉中的应用

    本研究针对现有Group Equivariant Convolution (GConv) 在处理旋转对称性数据时的局限性，提出了一种新的方法——放宽的旋转等变卷积（RREConv）。该方法通过引入可学习的$G$-偏置，突破了严格的群体约束，显著提升了在自然图像分类和检测任务中的表现。

    Aug, 2024

  • 通过$G$-偏差实现松弛旋转等变性

    本研究解决了当前组等变卷积（GConv）在处理旋转对称数据时无法适应实际数据中常见的旋转对称破裂问题。我们提出了一种名为$G$-偏差的可学习偏置，突破严格的组约束，从而实现了松弛旋转等变卷积（RREConv）。实验表明，基于RREConv的方法在分类和检测任务中表现优异，优于现有的GConv方法。

    Aug, 2024

  • 当前对称群等变卷积框架在表征学习中的应用

    本研究解决了传统欧几里得深度学习无法有效处理复杂拓扑特征空间的问题，提出了基于对称群等变深度学习模型的新方法。这些模型在图形、三维形状和非欧几里得空间上实现了类似卷积的操作，揭示了其输入空间和表示之间的内在对称性，具有重要的理论和实践意义。

    Sep, 2024