Réseaux de neurones convolutionnels sphériques sur des grilles non structurées

Nous présentons un noyau de convolution efficace pour les Réseaux Neuronaux Convolutifs (CNNs) sur des grilles non structurées en utilisant des opérateurs différentiels paramétrés, avec une attention particulière portée aux signaux sphériques tels que les images panoramiques ou les signaux planétaires. À cette fin, nous remplaçons les noyaux de convolution conventionnels par des combinaisons linéaires d'opérateurs différentiels pondérés par des paramètres apprenables. Les opérateurs différentiels peuvent être estimés efficacement sur des grilles non structurées en utilisant les voisins à un anneau, et les paramètres apprenables peuvent être optimisés par la rétropropagation standard. En conséquence, nous obtenons des réseaux neuronaux extrêmement efficaces qui égalent ou surpassent les architectures de réseau de pointe en termes de performance, mais avec un nombre significativement plus faible de paramètres du réseau. Nous évaluons notre algorithme dans une série exhaustive d'expériences sur diverses tâches en vision par ordinateur et en science climatique, notamment la classification de formes, le segmentage de motifs climatiques et le segmentage sémantique d'images omnidirectionnelles. Dans l'ensemble, nous présentons (1) une nouvelle approche de CNN sur des grilles non structurées utilisant des opérateurs différentiels paramétrés pour les signaux sphériques, et (2) nous démontrons que notre paramétrisation unique du noyau permet à notre modèle d'atteindre la même précision ou une précision supérieure avec beaucoup moins de paramètres du réseau.