机器人开业第35篇文章
已经在机器人上阅读了25篇文章
一篇来自师兄的馈赠……感觉对提结构什么的也很有启发呀!
摘要:
本文介绍了张量场网络,能够具有3D平移,旋转和排列的不变性,可以不必做数据扩增来引入方向,使用球面谐振开发滤波器,由其数学原理,每一层的输入和输出基于这些项的几何感觉,证明了其在几何学,物理学和化学中的应用。
动机:
CNN具有平移不变性,本文希望做出3D欧式空间的不变性,包括平移和旋转。不变性作用有三,首先比数据扩增高效,因为3D上只要-3次方的复杂度,其次能用同一个滤波器鉴定不同方向和位置的局部特征,提高了可解释性,最后也用几何方式编码了几何张量。注意,本文的张量代表几何张量,而不是传统的多维数组。
此网络和传统CNN有三种不同。
使用持续的卷积在点云上操作,层作用于点的3D坐标和特这些点的特征。
将滤波器限制为可学习的半径函数和球面谐振的乘积。
滤波器选择需要网络结构与几何张量运算兼容。
称其为张量场网络,是因为网络的每一层输入和输出都是张量场,即在每一个网络几何点的标量,向量和高维张量。张量场在各学科通用。出发点是为原子体系深度学习使用,也可以处理3D图像。
本文解释了满足旋转和平移不变性的数学条件,提供了一些不变形兼容的网络成分,以及这些网络可以使用的例子。
相关工作:
本文基于谐振网络建立,谐振网络是2D旋转不变的,使用了离散的卷积和环状谐振组成的滤波器。本文也参考了SchNet,使用连续卷积造成旋转不变。然而,3D旋转不变型更加复杂,引物3D旋转不commute(大概在这里是无交换率的意思?)也就是说在3D旋转矩阵A和B中,AB不等于BA。
大部分之前的2D旋转不变问题基于对滤波器旋转的研究,区别在于哪些旋转传递过了网络,如何保持朝向信息。
之前的工作已经基于特殊的输入转换解决了相似的不变性问题,G-CNN参考有限对称组保证了不变性,而不像本文中的连续组。球面谐振和WD矩阵只能解决球面的2D数据。张量运算创造的网络层,即扩展信息传递NN,只是进行了排序的张量组,而不是几何张量。此外,基于点云的操作和对称函数的网络可以解决排列不变性,但并不包括旋转不变性。
其他网络使用核中心算法计算原子系统,大部分基于原子间的对距离(如SchNet等)&#