Accéder directement au contenu Accéder directement à la navigation
Communication dans un congrès

Rotation invariant CNN using scattering transform for image classification

Abstract : Deep convolutional neural networks accuracy is heavily impacted by rotations of the input data. In this paper, we propose a convolutional predictor that is invariant to rotations in the input. This architecture is capable of predicting the angular orientation without angle-annotated data. Furthermore, the predictor maps continuously the random rotation of the input to a circular space of the prediction. For this purpose, we use the roto-translation properties existing in the Scattering Transform Networks with a series of 3D Convolutions. We validate the results by training with upright and randomly rotated samples. This allows further applications of this work on fields like automatic re-orientation of randomly oriented datasets.
Liste complète des métadonnées

Littérature citée [19 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-02008378
Contributeur : Rosemberg Rodriguez Salas Connectez-vous pour contacter le contributeur
Soumis le : lundi 3 juin 2019 - 12:50:06
Dernière modification le : mercredi 17 novembre 2021 - 12:27:18

Fichier

ICIP2019-CRv2.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-02008378, version 1

Collections

Citation

Rosemberg Rodriguez Salas, Eva Dokladalova, Petr Dokládal. Rotation invariant CNN using scattering transform for image classification. IEEE International Conference on Image Processing (ICIP), Sep 2019, Taipei, Taiwan. ⟨hal-02008378v1⟩

Partager

Métriques

Les métriques sont temporairement indisponibles