摘要
我们介绍了群等变卷积神经网络（G-CNNs），这是一种通过利用对称性来降低样本复杂度的卷积神经网络的自然推广。G-CNNs 使用了 G-卷积层，这种新类型的层具有比普通卷积层显著更高的权重共享程度。G-卷积层在不增加参数数量的情况下提高了网络的表达能力。群卷积层易于使用，对于由平移、反射和旋转生成的离散群，可以以几乎可以忽略的计算开销实现。G-CNNs 在 CIFAR10 和旋转 MNIST 数据集上取得了当前最佳的结果。
我们介绍了群等变卷积神经网络（G-CNNs），这是一种通过利用对称性来降低样本复杂度的卷积神经网络的自然推广。G-CNNs 使用了 G-卷积层，这种新类型的层具有比普通卷积层显著更高的权重共享程度。G-卷积层在不增加参数数量的情况下提高了网络的表达能力。群卷积层易于使用，对于由平移、反射和旋转生成的离散群，可以以几乎可以忽略的计算开销实现。G-CNNs 在 CIFAR10 和旋转 MNIST 数据集上取得了当前最佳的结果。