[1] 3D Steerable CNNs: Learning Rotationally Equivariant Features in Volumetric Data
Maurice Weiler, Mario Geiger, Max Welling, Wouter Boomsma, Taco Cohen
University of Amsterdam, EPFL, University of Copenhagen, Qualcomm AI Research
https://papers.nips.cc/paper/8239-3d-steerable-cnns-learning-rotationally-equivariant-features-in-volumetric-data.pdf
这篇文章提出一种新型卷积网络,该网络与刚体运动等价。该模型使用三维欧几里得空间上的标量、矢量和张量场来表示数据,同时使用等变量卷积来得到这些表示之间的映射。
这些SE(3)等变量卷积是基于内核的,这些内核是由完备可引导内核基的线性组合得到的,本文对此进行了分析性推导。本文证明了等变量卷积是三维空间中场之间最一般的等数线性映射。
实验结果表明,3D可引导CNN在氨基酸倾向预测和蛋白质结构分类问题上效果可观,两者均具有固有的SE(3)对称性。
几种方法的效果对比如下
其中2对应的论文为
Gift: A real-time and scalable 3d shape search engine, CVPR 2016
7对应的论文为
Spherical CNNs,ICLR 2018
14对应的论文为
3D object classification and retrieval with Spherical CNNs,2017
16对应的论文为
Deep aggregation of local 3d geometric features for 3d model retrieval, BMVC 2016
24对应的论文为
Rotationnet: Joint object categorization and pose estimation using multiviews from unsupervised viewpoints, 2018
代码地址</