ILPO-NET: Network for the invariant recognition of arbitrary volumetric patterns in 3D

要約

空間パターンを効果的に認識し、その階層を学習することは、現代の空間データ分析において極めて重要です。
容積データ アプリケーションでは、シフトだけでなくパターンの回転に対しても不変性を確保する技術が求められます。
従来の方法では並進不変性を容易に達成できますが、回転不変性には複数の課題があり、依然として活発な研究分野です。
ここでは、Wigner 行列展開を使用して、局所的な空間パターン方向に対して本質的に不変な畳み込み演算で任意の形状のパターンを処理する新しいアプローチである ILPO-Net (Invariant to Local Patterns Orientation Network) を紹介します。
当社のアーキテクチャは、新しい畳み込み演算子をシームレスに統合しており、MedMNIST や CATH などの多様なボリューム データセットでベンチマークを行うと、パラメータ数を大幅に削減しながら、ベースラインを上回る優れたパフォーマンスを示します (MedMNIST の場合は最大 1000 分の 1)。
これらのデモンストレーションを超えて、ILPO-Net の回転不変性は、複数の分野にわたる他のアプリケーションへの道を開きます。
私たちのコードは https://gricad-gitlab.univ-grenoble-alpes.fr/GruLab/ILPONet で公開されています。

要約(オリジナル)

Effective recognition of spatial patterns and learning their hierarchy is crucial in modern spatial data analysis. Volumetric data applications seek techniques ensuring invariance not only to shifts but also to pattern rotations. While traditional methods can readily achieve translational invariance, rotational invariance possesses multiple challenges and remains an active area of research. Here, we present ILPO-Net (Invariant to Local Patterns Orientation Network), a novel approach that handles arbitrarily shaped patterns with the convolutional operation inherently invariant to local spatial pattern orientations using the Wigner matrix expansions. Our architecture seamlessly integrates the new convolution operator and, when benchmarked on diverse volumetric datasets such as MedMNIST and CATH, demonstrates superior performance over the baselines with significantly reduced parameter counts – up to 1000 times fewer in the case of MedMNIST. Beyond these demonstrations, ILPO-Net’s rotational invariance paves the way for other applications across multiple disciplines. Our code is publicly available at https://gricad-gitlab.univ-grenoble-alpes.fr/GruLab/ILPONet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google