多くの機械学習タスクにおいて、モデルの予測が入力の変換に対して等方的に変換することが望ましいです。畳み込みニューラルネットワーク（CNNs）は構造上、移動等方性を実装していますが、他の変換については適切なマッピングを学習する必要があります。本研究では、設計によって移動と回転の両方に対する等方性を達成するSteerable Filter CNNs（SFCNNs）を開発しました。提案されたアーキテクチャは、フィルターの回転による補間の誤差を受けずに、多数の方向に対して効率的に方向依存応答を計算するためにsteerable filtersを利用します。また、group convolutionsを使用することで等方的なマッピングを保証しています。さらに、Heの重み初期化スキームを原子フィルターの線形結合として定義されるフィルターに一般化しました。数値実験では、サンプリングされたフィルター方向数が増加するにつれてサンプル複雑さが大幅に向上し、ネットワークが方向に対して学習したパターンを一般化することを確認しました。提案手法はrotated MNISTベンチマークおよびISBI 2012 2D EMセグメンテーションチャレンジで最先端の性能を達成しています。