[论文理解]研究旋转变换下可学习的steerable filters for rotation equivariant CNNs

1.关键问题识别与分析

1.1 基本信息

CVPR 2018

1.2 做了什么

达成CNN在应对平移及任意离散旋转时所具备的等变特性。

1.3 实现方法

与谐波网络Harmonic-Net所采用的方法相似，本文同样应用了复数滤波器。然而，该文采用了多个复数滤波器，并通过设定一个权重参数将它们进行组合，从而生成最终的滤波器结构。其中，每个原子滤波器的形式是已知的，而权重参数则需要通过训练过程进行学习。理论上，该方法能够实现N-循环离散旋转等变性，且N的取值可以任意扩展。例如，在N=4的情况下，每次旋转的角度为90°。

在Harmonic-Net模型中，仅使用了一个复数滤波器，并且该滤波器的实部需要通过训练进行学习。从理论角度来看，这种方法能够支持连续旋转下的等变性。

1.4 创新性

1. 采用了He初始化策略对参数进行设置。
2. 通过多个原子卷积核的线性叠加方式，可以在小尺度条件下有效降低卷积操作中出现的插值伪影现象。
3. 数据增强技术促使CNN在不同旋转角度下的同一滤波器特征图中进行学习，但该过程可能引发数据冗余以及模型过拟合的问题。相比之下，该模型所包含的参数数量仅为传统CNN的1/\Lambda倍，其中\Lambda表示能够维持旋转等变性的离散旋转角度总数。

2.数学部分 &