초록
많은 컴퓨터 비전 작업에서 입력 이미지의 회전에 대한 출력의 특정 행동을 기대합니다. 이 관계가 명시적으로 인코딩되면, 다른 변동성과 같이 처리하는 것보다 문제의 복잡성이 줄어들어 필요한 모델의 크기를 감소시키게 됩니다. 본 논문에서는 회전 등변성(equivariance), 불변성(invariance) 및 공변성(covariance)을 인코딩하는 Convolutional Neural Network(CNN) 아키텍처인 Rotation Equivariant Vector Field Networks(RotEqNet)를 제안합니다. 각 컨벌루션 필터는 여러 방향에서 적용되며, 모든 공간 위치에서 가장 높은 점수를 얻은 방향의 크기와 각도를 나타내는 벡터 필드를 반환합니다. 우리는 이 표현에 의존한 수정된 컨벌루션 연산자를 개발하여 깊은 아키텍처를 얻었습니다. RotEqNet을 입력의 회전에 대해 서로 다른 반응이 요구되는 여러 문제(이미지 분류, 생물 의학적 이미지 세그멘테이션, 방향 추정 및 패치 매칭)에 테스트했습니다. 모든 경우에서 RotEqNet이 매개변수 수 측면에서 매우 컴팩트한 모델을 제공하며, 수십 배 더 큰 네트워크와 유사한 결과를 제공함을 보여주었습니다.