[论文理解]为旋转等变CNN学习可操纵卷积核Learning Steerable Filters for Rotation Equivariant CNNs

1.几个问题

1.1 基本信息

CVPR 2018

1.2 做了什么

实现CNN对平移和任意离散旋转的等变性。

1.3 实现方法

和谐波网络Harmonic-Net这篇一样，也是使用复数滤波器。不过这篇使用的是多个复数滤波器，通过一个权重把它们加起来，得到最后的滤波器，其中单个原子滤波器是已知的、权重是需要学习的。理论上能实现N-循环离散旋转等变，N可以任意增大。比如当N=4的时候，一次旋转是90°。

Harmonic-Net中只使用了单个复数滤波器，且滤波器的实数部分是需要学习的，理论上可以实现连续旋转等变。

1.4 创新性

1.使用了He参数初始化方法。
2.利用多个原子卷积核的线性组合能减少卷积核在小尺度下的插值伪影。
3.数据增强会让CNN学习图像在同一滤波器不同旋转版本下的特征图，有数据冗余和过拟合的风险。而这个模型的参数只有传统CNN的 1 / Λ 1/\Lambda