旋转等变向量场网络Rotation equivariant vector field networks

最新推荐文章于 2024-11-20 19:37:46 发布
原创 最新推荐文章于 2024-11-20 19:37:46 发布 · 373 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

https://blog.youkuaiyun.com/bxdzyhx/article/details/109813038

【一步步学OpenGL 7】 - 《旋转变换》
Mr_厚厚的博客
09-16 9829
教程7 旋转变换 原文： http://ogldev.atspace.co.uk/www/tutorial07/tutorial07.html 优快云完整版专栏： http://blog.youkuaiyun.com/column/details/13062.html 背景 继上个教程的平移变换之后，这里开始学习旋转变换，也就是能够实现让一个点沿着一个坐标轴旋转一定的角度。旋转变换将总...
论文笔记（ReDet，CVPR2021）
qq_39858171的博客
10-27 1648
论文笔记（ReDet，CVPR2021）A Rotation-equivariant Detector for Aerial Object Detection：利用旋转不变性和等变性特征的旋转等变检测器
[论文理解]旋转等变向量场网络Rotation equivariant vector field networks
bxdzyhx的博客
11-20 3408
1. 几个问题 做了什么 提出了旋转等变向量场网络Rotation Equivariant Vector Field Networks (RotEqNet)，是一种对旋转等变性（equivariance）、旋转不变性（invariance）和旋转共变性（covariance）进行了编码的CNN网络。 论文中专注于解决“旋转”这一操作，因此下文所述的对象都与旋转有关。 实现原理 每个卷积核被应用在多个方向上，并返回一个矢量场，表示每个空间位置的最高评分方向的大小和角度。 实验效果 相比于一些大型模型，RotE
N-R法matlab代码-RotEqNet:PyTorch/Python的旋转等变网络
05-21
NR法matlab代码PyTorch的旋转等变矢量场网络（RotEqNet） 这是在以下方法中提出的方法的PyTorch实现：旋转等变矢量场网络，ICCV 2017，迭戈·马科斯（Diego Marcos），米歇尔·沃尔皮（Michele Volpi），尼科斯·科莫塔基斯（Nikos Komodakis），德维斯·图亚（Devis Tuia）。 原始的MATLAB实现可在以下位置找到： 该代码的目的是提供本文提出的新网络层的实现。 另外，我们尝试重现MNIST-rot数据集的结果以验证实现。 用法示例 from __future__ import division from layers_2D import RotConv , VectorMaxPool , VectorBatchNorm , Vector2Magnitude , VectorUpsampling from torch import nn class MnistNet ( nn . Module ): def __init__ ( self ): super ( MnistNet , self ). __init__
[论文阅读 2021 CVPR 目标跟踪]Rotation Equivariant Siamese Networks for Tracking
qq_39621037的博客
03-13 2740
简介 paper:Rotation Equivariant Siamese Networks for Tracking code:github 这篇论文的关注点在跟踪任务中的旋转这个问题，并认为现在的基于深度学习的跟踪算法大量使用了CNN，虽然普遍认为CNN具有一定的平移不变形和旋转不变形，但是CNN并不能够处理跟踪过程中复杂的旋转问题。 如上图所示，定义f(⋅)f(\cdot)f(⋅)和ψθ(⋅)\psi_{\theta}(\cdot)ψθ​(⋅)分别表示神经网络编码函数和旋转变换函数，在这里ψθ(f(
Rotation equivariant vector field networks 浏览记录
weixin_33794672的博客
11-12 296
Rotation equivariant vector field networks 提出Rotation Equivariant Vector Field Networks（RotEqNet，旋转等变向量场网络） ，对CNN网络的旋转不变性进行改进。 输入网络的图像如果旋转，输出辨别的是否也会旋转 开始做实验是出现对三种不同的...
Rotation Equivariant Siamese Networks for Tracking ---cvpr2021-sot
weixin_45032769的博客
03-04 1991
用于跟踪的旋转等变siamese网络 Abstract 旋转是视觉对象跟踪中长期存在但尚未解决的艰巨挑战之一。 现有的基于深度学习的跟踪算法使用常规的CNN，这些CNN本质上是平移等变的，但并非旨在解决旋转问题。 在本文中，我们首先证明视频中存在旋转实例时，现有跟踪器的性能会受到严重影响。 为了避免旋转的不利影响，我们介绍了等速旋转连体网络（RE-SiamNets），该网络是通过使用包含可控滤镜的等分组卷积层构建的。 SiamNets允许以无人监督的方式估计对象方向的变化，从而也方便了其在相对2D姿势估计
精选资源
E(n) Equivariant Graph Neural Networks
04-13
E(n)等变图神经网络（E(n) Equivariant Graph Neural Networks，简称EGNNs）是一种新型图神经网络模型，主要学习对旋转、平移、反射和置换操作具有等变性质的图表示。这种等变性质意味着当输入图的结构经过某些对称...
[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
bxdzyhx的博客
12-01 3220
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
Rotation Equivariant Networks for Tracking论文解读
Soonki的博客
06-16 522
1. Introduction The task of visual object tracking with Siamese networks, referred as Siamese tracking, transforms the problem of tracking into similarity estimation between a template frame and sampled region from a candidate frame. 孪生网络是把追踪任务描述成templat
[论文理解]深层等变卷积神经网络Rotation Equivariance of Deep Convolutional Neural Network
bxdzyhx的博客
11-21 2547
1.几个问题 1.1 做了什么 提出一种能保证全局旋转等变性的卷积神经网络。 能对四个旋转方向提取特征。 1.2 效果 略 1.3 局限性 只能实现四个方向的旋转，因为矩阵是方形的，最多作用在p4群上。 2.数学部分 2.1 旋转操作 图像函数为f:Z2→Rf:{Z^2} \to Rf:Z2→R。定义旋转变换RRR（这里的R不是实数域的意思）,R(f(x)),x∈Z2R\left( {f\left( x \right)} \right),x \in {Z^2}R(f(x)),x∈Z2相当于将图像顺时针喜欢.
AI科学计算系列 | 等变神经网络与e3nn数学库
Kenji_Shinji的博客
02-09 1824
O(3) 群的不可约表示分解相对简单，其每种不可约表示可以用 (l,p) 标记，l=0,1,2,... 为阶数，p=e,o为奇偶性，l阶不可约表示的维数为 2l+1。举个例子，在最开始我们为了描述抽象的矢量，通过选取坐标系将其表示为三维线性空间的一组坐标，而旋转变换则表示为这个线性空间上的一个旋转矩阵。但是这里群元素作为一个变换操作，是抽象的对象。以两个矢量的张量积为例，矢量的维数为3，那么张量积的结果的维数为9，可以分解为一个标量（维数为1），一个赝矢量（维数为3）和一个无迹对称二阶张量（维数为5）。
等变神经网络 Equivariant Neural Networks （一）基础知识
qq_31448607的博客
05-31 6074
等变神经网络
【亲测免费】 推荐：SE(3)-Transformers——3D空间旋转平移等变注意力网络
gitblog_00087的博客
06-08 844
推荐：SE(3)-Transformers——3D空间旋转平移等变注意力网络 项目介绍 SE(3)-Transformers是一款基于PyTorch和DGL的开源实现库，其灵感源自论文《SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks》。这个项目旨在提供一种新的深度学习模型，该模型能够处理3D数据，并对旋转...
知识点2024CVPR-5【类内变化、旋转等变/不变、VNN变分神经网络、Cross-Reconstruction、SO(3)-equivariant层】
weixin_43899239的博客
11-20 1142
SO(3)-equivariant层是一种神经网络层，它在SO(3)群（三维空间的旋转群）的作用下是等变的。这意味着，如果输入数据经过SO(3)群中的旋转操作，那么网络层的输出也会以相同的方式旋转，保持了旋转对称性。
等变神经网络（equivariant neural network）相关论文
2301_78829506的博客
08-01 1457
等变神经网络（equivariant neural network）相关论文
3D点云深度学习综述
dxzysk的专栏
03-06 6224
3D点云深度学习综述Deep Learning for 3D Point Clouds: A Survey论文翻译 作者：Yulan Guo, Hanyun Wang, Qingyong Hu, Hao Liu, Li Liu, and Mohammed Bennamoun 译者：dxzysk 译者注：本文仅是对原论文的翻译，作为学习笔记仅供记录、参考学习使用，建议阅读作者的英文原文。受水平限制，难免有错误之处，尽情谅解。 原论文：https://arxiv.org/abs/1912.1203...
Siamese 目标跟踪：Rotation Equivariant Siamese Networks for Tracking(CVPR2021)
du的博客
04-26 2101
1.Motivation 本文重点是处理目标的平面旋转对Siamese跟踪器性能的不利影响。在没有采取有效解决方案的情况下，目标旋转被认为是最困难的跟踪挑战。 基于深度学习的跟踪算法中使用了CNN，虽然CNN具有平移不变性，但是没有解决旋转问题。视频中存在旋转目标时，现有的跟踪器会受到严重影响。 f(⋅)f(\cdot)f(⋅)和ψθ(⋅)\psi_{\theta}(\cdot)ψθ​(⋅) 分别表示神经网络编码函数和旋转变换函数，由图中可以看出ψθ(f(⋅))≠f(ψθ(⋅))\psi_{\thet
When Symmetry Meets CNN--从群等变卷积网络（Group Equivariant CNN）到球面卷积网络（Spherical CNNs)
weixin_42242159的博客
09-12 3243
从群等变卷积网络到球面卷积网络 计划把自己原po在知乎专栏上的文章改进搬过来，最近忙论文先放着。 https://zhuanlan.zhihu.com/p/34042888 本文试图介绍论文Group Equivariant Convolutional Networks的基本工作：建立对称性在卷积网络里的理论框架，并对后续的一些跟进工作如Spherical CNNs进行简介。主要内容...
旋转对称性卷积（Rotation-Equivariant Convolutions）**或**轴对称注意力机制
最新发布
12-25
### 旋转对称性卷积（Rotation-Equivariant Convolutions） 旋转对称性卷积是一种特殊的卷积操作，旨在使卷积神经网络（CNN）对输入数据的旋转具有不变性或等变性。在许多实际应用中，如医学图像分析、目标检测等，物体可能以不同的角度出现，传统的CNN在处理旋转后的图像时可能会出现性能下降的问题。旋转对称性卷积通过设计特殊的卷积核和卷积方式，使得网络在输入旋转时，输出也能相应地旋转，从而提高模型对旋转变化的鲁棒性。 在论文“Pulmonary nodule detection in CT scans with equivariant CNNs”中提到了G - CNN（3D group convolution），这类卷积可能与旋转对称性卷积有一定关联，因为群卷积可以处理数据在特定群（如旋转群）下的变换，从而实现等变性。相关研究通常会涉及到群论的知识，通过对卷积核在旋转群下的变换进行建模，来设计具有旋转等变性的卷积操作。 ### 轴对称注意力机制 轴对称注意力机制是注意力机制的一种扩展，主要用于处理具有轴对称特性的数据。注意力机制的核心思想是让模型自动关注输入数据中的重要部分，而忽略不重要的部分。在一些具有轴对称特性的场景中，如某些医学图像、自然图像中的对称物体等，轴对称注意力机制可以利用数据的轴对称性来更有效地分配注意力权重。 它通常会结合传统的注意力机制（如通道注意力、空间注意力等），并引入轴对称的约束条件。例如，在计算注意力权重时，会考虑到对称位置的信息，使得模型能够更好地捕捉轴对称结构的特征。 以下是一些可能获取相关资料的途径： - **学术数据库**：如IEEE Xplore、ACM Digital Library、ScienceDirect等，在这些数据库中搜索“Rotation-Equivariant Convolutions”和“轴对称注意力机制”相关的论文。 - **预印本平台**：arXiv上有很多关于深度学习新方法的预印本论文，可以在上面找到最新的研究成果。 - **开源代码平台**：GitHub上可能有相关的开源实现代码，通过代码可以更深入地了解算法的具体实现细节。 ### 代码示例（简单示意旋转对称性卷积的概念） ```python import torch import torch.nn as nn class RotationEquivariantConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size): super(RotationEquivariantConv, self).__init__() # 这里只是简单示意，实际的旋转对称性卷积需要更复杂的设计 self.conv = nn.Conv2d(in_channels, out_channels, kernel_size) def forward(self, x): # 简单的卷积操作，实际中需要处理旋转等变性 return self.conv(x) # 示例使用 in_channels = 3 out_channels = 16 kernel_size = 3 conv = RotationEquivariantConv(in_channels, out_channels, kernel_size) input_tensor = torch.randn(1, in_channels, 32, 32) output = conv(input_tensor) print(output.shape) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值