1.几个问题
1.1 基本信息
PMLR 2017
1.2 做了什么
将群卷积转换为了标准卷积,只要先对图像和卷积核进行某个特殊的预处理。
1.3 实现方法
将群卷积扩展到连续空间,然后将群G限制为指数映射的李群,这样一来就可以把G卷积转为标准卷积,而只对图像和卷积核做预处理。
1.4 创新性 & 局限性
- 之前的很多变换等变网络相比于传统CNN模型参数较多,训练复杂。而本文的模型参数量和传统CNN接近。
- 可以处理连续的变换。
- 在G-CNN的基础上,将G-卷积演变到了warp-卷积。减少了模型复杂度。
- 只能用来处理双参数的变换。参数多于2个的变换无法实现。
2.数学部分
2.1 离散和连续卷积
图像
I ∈ R N × N I \in {R^{N \times N}} I∈RN×N
卷积核
F ∈ R M × M F \in {R^{M \times M}} F∈RM×M
离散卷积公式(都是相互等价的)
G-CNN那篇论文中的“卷积”其实都是相关操作,而这里的卷积才是真的卷积。
( I ∗ F ) ( j ) = ∑ k ∈ Z 2 I ( k ) F ( j − k ) , j ∈ Z 2 \left( {I*F} \right)\left( j \right) = \sum\limits_{k \in {Z^2}} {I\left( k \right)F\left( {j - k} \right)} ,\;\;j \in {Z^2} (I∗F)(j)=k∈Z2∑I(k)F(j−k),j∈Z2
( I ∗ F ) ( j ) = ∑ k ∈ Z 2 I ( j + k ) F ( − k ) , j ∈