초록
많은 기계 학습 작업에서 모델의 예측이 입력의 변환에 따라 동변환(equivariant) 방식으로 변형되는 것이 바람직합니다. 컨벌루션 신경망(CNNs)은 구조적으로 평행 이동 동변환을 구현하지만, 다른 변환에 대해서는 적절한 매핑을 학습해야 합니다. 본 연구에서는 평행 이동과 회전에 대한 공동 동변환을 설계를 통해 달성하는 Steerable Filter CNNs (SFCNNs)를 개발하였습니다. 제안된 아키텍처는 회전 필터의 보간 아티팩트 없이 다양한 방향에 대해 방향 의존적 응답을 효율적으로 계산하기 위해 조정 가능한 필터(steerable filters)를 사용합니다. 우리는 그룹 컨벌루션(group convolutions)을 활용하여 동변환 매핑을 보장합니다. 또한, He의 가중치 초기화 방식을 원자 필터(atomic filters) 시스템의 선형 결합으로 정의된 필터로 일반화하였습니다. 수치 실험 결과, 샘플링된 필터 방향 수가 증가함에 따라 샘플 복잡도(sample complexity)가 크게 향상되었음을 확인하였으며, 네트워크가 방향 간 학습된 패턴을 일반화한다는 것을 입증하였습니다. 제안된 접근법은 회전된 MNIST 벤치마크와 ISBI 2012 2D EM 분할 도전 과제에서 최고 성능(state-of-the-art)을 달성하였습니다.