SplineCNN: 연속 B-스플라인 커널을 사용한 빠른 기하학적 딥러닝

우리는 비정형 구조와 기하학적 입력, 예를 들어 그래프나 메시에 대한 딥 뉴럴 네트워크의 변종인 스플라인 기반 합성곱 신경망(SplineCNNs)을 제시합니다. 본 연구의 주요 공헌은 B-스플라인을 기반으로 하는 새로운 합성곱 연산자로, 이 연산자는 B-스플라인 기저 함수의 국소 지지 특성을 통해 커널 크기와 무관한 계산 시간을 제공합니다. 그 결과, 고정된 수의 학습 가능한 가중치로 매개변수화된 연속 커널 함수를 사용하여 전통적인 CNN 합성곱 연산자의 일반화를 얻게 됩니다. 스펙트럼 영역에서 필터링하는 관련 접근법과 달리, 제안된 방법은 순수하게 공간 영역에서 특징을 집계합니다. 또한, SplineCNN은 수작업으로 만든 특징 설명자를 사용하지 않고 오직 기하학적 구조만을 입력으로 사용하여 딥 아키텍처의 전체 엔드투엔드 훈련을 가능하게 합니다. 검증을 위해, 우리는 이미지 그래프 분류, 형태 대응 및 그래프 노드 분류 등의 과제에 우리의 방법을 적용하고, 이 방법이 현존하는 최신 접근법보다 우수하거나 동등한 성능을 보임과 동시에 상당히 빠르고 도메인 독립성 등 유리한 특성을 가지고 있음을 보여줍니다.