論文の概要: M\"{o}bius Convolutions for Spherical CNNs
- arxiv url: http://arxiv.org/abs/2201.12212v1
- Date: Fri, 28 Jan 2022 16:11:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-31 15:01:37.869181
- Title: M\"{o}bius Convolutions for Spherical CNNs
- Title(参考訳): 球状CNNに対するM\"{o}bius Convolutions
- Authors: Thomas W. Mitchel, Noam Aigerman, Vladimir G. Kim, Michael Kazhdan
- Abstract要約: M"オビウス変換は、幾何学と球面画像処理の両方において重要な役割を果たす。
以下、M"obius-equivariant spherical convolution operatorについて述べる。
形状分類と画像分割の両タスクにおいて有望な結果を得ることにより,その実用性を実証する。
- 参考スコア(独自算出の注目度): 26.91151736538527
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: M\"{o}bius transformations play an important role in both geometry and
spherical image processing -- they are the group of conformal automorphisms of
2D surfaces and the spherical equivalent of homographies. Here we present a
novel, M\"{o}bius-equivariant spherical convolution operator which we call
M\"{o}bius convolution, and with it, develop the foundations for
M\"{o}bius-equivariant spherical CNNs. Our approach is based on a simple
observation: to achieve equivariance, we only need to consider the
lower-dimensional subgroup which transforms the positions of points as seen in
the frames of their neighbors. To efficiently compute M\"{o}bius convolutions
at scale we derive an approximation of the action of the transformations on
spherical filters, allowing us to compute our convolutions in the spectral
domain with the fast Spherical Harmonic Transform. The resulting framework is
both flexible and descriptive, and we demonstrate its utility by achieving
promising results in both shape classification and image segmentation tasks.
- Abstract(参考訳): M\"{o}bius 変換は幾何学と球面画像処理の両方において重要な役割を果たし、それらは2次元曲面の共形自己同型群とホモグラフの球面同値群である。
ここでは、M\"{o}bius-equivariant spherical convolution operatorとよばれる新しい M\"{o}bius-equivariant spherical convolution operator を示し、それとともに、M\"{o}bius-equivariant spherical CNNの基礎を開発する。
我々のアプローチは単純な観察に基づいている: 等分散を達成するためには、近傍のフレームに見られるような点の位置を変換する低次元部分群を考えるのみである。
スケールでのM\"{o}bius畳み込みを効率的に計算するために、球面フィルタ上の変換の作用の近似を導出し、高速な球面高調波変換を用いてスペクトル領域における畳み込みを計算する。
得られたフレームワークはフレキシブルかつ記述的であり、形状分類と画像分割の両タスクにおいて有望な結果を達成し、その有用性を実証する。
関連論文リスト
- Relative Representations: Topological and Geometric Perspectives [53.88896255693922]
相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。
相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。
第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
論文 参考訳(メタデータ) (2024-09-17T08:09:22Z) - Expanding Expressivity in Transformer Models with MöbiusAttention [17.163751713885013]
M"obiusAttentionは、Transformerベースのモデルの注意機構にM"obius変換を統合する。
これらの性質を取り入れることで、M"obiusAttention はトークン間のより複雑な幾何学的関係を学習するモデルに権限を与える。
論文 参考訳(メタデータ) (2024-09-08T16:56:33Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳(メタデータ) (2021-06-17T12:25:44Z) - Coordinate Independent Convolutional Networks -- Isometry and Gauge
Equivariant Convolutions on Riemannian Manifolds [70.32518963244466]
平坦空間と比較して大きな複雑さは、コンボリューション核が多様体にどのようなアライメントを適用するべきかが不明確であることである。
コーディネート化の特定の選択は、ネットワークの推論に影響を与えるべきではない、と我々は主張する。
座標独立と重み共有の同時要求は、ネットワーク上の同変要求をもたらす。
論文 参考訳(メタデータ) (2021-06-10T19:54:19Z) - Field Convolutions for Surface CNNs [19.897276088740995]
簡単な観測に基づいてベクトル場に作用する新しい曲面畳み込み演算子を提案する。
この定式化は、散乱演算において内在的な空間畳み込みと平行輸送を組み合わせる。
基本幾何処理タスクにおける標準ベンチマークの最先端結果を得る。
論文 参考訳(メタデータ) (2021-04-08T17:11:14Z) - Convolutional Hough Matching Networks [39.524998833064956]
畳み込みマッチングにおけるハフ変換の視点を導入し、畳み込みハフマッチング(CHM)と呼ばれる効果的な幾何マッチングアルゴリズムを提案する。
半等方性高次元カーネルを持つ学習可能な神経層にキャストし、少数の解釈可能なパラメータとの非剛性マッチングを学習した。
本手法は,意味的視覚対応のための標準ベンチマークの新たな技術を確立し,クラス内変動に対する強固さを証明した。
論文 参考訳(メタデータ) (2021-03-31T06:17:03Z) - Spherical Transformer: Adapting Spherical Signal to CNNs [53.18482213611481]
Spherical Transformerは、球状信号を標準CNNで直接処理できるベクトルに変換できます。
我々は,球面MNIST認識,3次元オブジェクト分類,全方向画像セマンティックセグメンテーションの課題に対するアプローチを評価する。
論文 参考訳(メタデータ) (2021-01-11T12:33:16Z) - Learning Equivariant Representations [10.745691354609738]
畳み込みニューラルネットワーク(CNN)はこの原理の成功例である。
対称性の群で定義される異なる変換に対する同変モデルを提案する。
これらのモデルはデータの対称性を利用して、サンプルとモデルの複雑さを減らし、一般化性能を向上させる。
論文 参考訳(メタデータ) (2020-12-04T18:46:17Z) - Spin-Weighted Spherical CNNs [58.013031812072356]
球面領域を離れることなく, 異方性フィルタを効率的に行うことができる新しい球面CNNを提案する。
鍵となる考え方は、重力波の研究において物理学で導入されたスピン重み付き球面関数を考えることである。
本手法は, 球面画像の分類, 3次元形状の分類, 球面パノラマのセマンティックセグメンテーションといったタスクにおいて, 従来の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-06-18T17:57:21Z) - Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric
graphs [81.12344211998635]
メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。
本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。
本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-03-11T17:21:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。