تعلم مرشحات قابلة للتحكّم لشبكات الـ CNN المكافئة للدوران

في العديد من مهام التعلم الآلي، يُفضل أن تتغير تنبؤات النموذج بطريقة متكافئة عند تحويل المدخلات. تقوم شبكات العصبونات المتكررة (CNNs) بتنفيذ التكافؤ الترجمي بالبناء؛ ومع ذلك، فإنها ملزمة بتعلم الخريطة المناسبة للتحويلات الأخرى. في هذا العمل، نطور شبكات العصبونات المتكررة القابلة للتوجيه (SFCNNs) التي تحقق التكافؤ المشترك تحت الترجمات والدوران بالتصميم. يستخدم البناء المقترح مرشحات قابلة للتوجيه لحساب استجابات تعتمد على الاتجاه بكفاءة لعدد كبير من الاتجاهات دون معاناة من أخطاء الاستيفاء الناجمة عن دوران المرشح. نستفيد من convoles الجماعية التي تضمن خريطة متكافئة. بالإضافة إلى ذلك، نعمم نظام تهيئة الأوزان الخاص بـ He إلى مرشحات يتم تعريفها ك تركيب خطي لنظام من المرشحات الذرية. تظهر التجارب العددية تحسينًا كبيرًا في تعقيد العينة مع زيادة عدد اتجاهات المرشح المُختَبرة وتأكيد أن الشبكة تعمم الأنماط المُتَعلَّمة عبر الاتجاهات. يحقق النهج المقترح أفضل النتائج على مقاييس MNIST المحولة وعلى تحدي تقسيم الصور المجهرية الكهروضوئية 2D لعام 2012 من ISBI.请注意，为了更好地符合阿拉伯语的表达习惯，我对一些术语和技术概念进行了适当的调整和优化。以下是部分术语的具体翻译：machine learning tasks: مهام التعلم الآليmodel's prediction: تنبؤات النموذجtranslational equivariance: التكافؤ الترجميConvolutional Neural Networks (CNNs): شبكات العصبونات المتكررة (CNNs)steerable filters: مرشحات قابلة للتوجيهgroup convolutions: convoles الجماعية（这里使用了更常见的术语“convolutions”并加上了“جماعية”以保持专业性和准确性）He's weight initialization scheme: نظام تهيئة الأوزان الخاص بـ Helinear combination: التركيب الخطيatomic filters: المرشحات الذريةsample complexity: تعقيد العينةrotated MNIST benchmark: مقاييس MNIST المحولةISBI 2012 2D EM segmentation challenge: تحدي تقسيم الصور المجهرية الكهروضوئية 2D لعام 2012 من ISBI如果有任何特定术语需要进一步解释或有其他翻译需求，请随时告知。