Parametrische Streuungsnetzwerke

Die Wellenscattering-Transformation erzeugt geometrische Invarianten und Deformationsstabilität. In mehreren Signalbereichen wurde gezeigt, dass sie im Vergleich zu anderen nicht-gelernten Repräsentationen diskriminativere Darstellungen liefert und in bestimmten Aufgaben, insbesondere bei begrenzten annotierten Daten und hochstrukturierten Signalen, gelernte Repräsentationen übertrifft. Die Wellenfilter, die in der Scattering-Transformation verwendet werden, werden in der Regel ausgewählt, um durch eine parametrisierte Mutterwelle ein dichtes Frame zu erstellen. In dieser Arbeit untersuchen wir, ob diese Standard-Filterbank-Konstruktion optimal ist. Unter Berücksichtigung von Morlet-Wellen (Morlet wavelets) schlagen wir vor, die Skalen, Orientierungen und Aspektverhältnisse der Filter zu lernen, um problemspezifische Parametrisierungen der Scattering-Transformation zu erzeugen. Wir zeigen, dass unsere gelernten Versionen der Scattering-Transformation in Klassifikationsszenarien mit kleinen Stichproben signifikante Leistungsverbesserungen gegenüber der Standard-Scattering-Transformation bieten. Zudem deuten unsere empirischen Ergebnisse darauf hin, dass traditionelle Filterbank-Konstruktionen für die Extraktion effektiver Repräsentationen durch die Scattering-Transformation nicht immer erforderlich sind.