Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2504.00702

帮助 | 高级搜索

数学 > 微分几何

arXiv:2504.00702 (math)
[提交于 2025年4月1日 (v1) ,最后修订 2025年7月4日 (此版本, v2)]

标题: 方向得分应该很容易

标题: Orientation Scores should be a Piece of Cake

Authors:Finn M. Sherry, Chase van de Geijn, Erik J. Bekkers, Remco Duits
摘要: 我们通过公理化方法推导出一种用于方向评分的波浪小波族,从位置空间$\mathbb{R}^2$提升到位置和方向空间$\mathbb{R}^2\times S^1$,具有快速重建特性,且最小化位置-方向不确定性。 随后,我们证明这些最小不确定性状态可以很好地由蛋糕波浪小波近似:对于标准参数,蛋糕波浪小波的不确定性差距小于 1.1,并且在极限情况下,我们证明不确定性差距趋向于最小值 1。 接下来,我们完善了之前的理论论证,说明在 (PDE-)G-CNN 中不需要训练提升层,而是可以使用蛋糕波浪小波。 最后,我们通过实验表明,这样可以减少网络复杂性并提高 (PDE-)G-CNN 的可解释性,而对模型性能的影响仅是轻微的。
摘要: We axiomatically derive a family of wavelets for an orientation score, lifting from position space $\mathbb{R}^2$ to position and orientation space $\mathbb{R}^2\times S^1$, with fast reconstruction property, that minimise position-orientation uncertainty. We subsequently show that these minimum uncertainty states are well-approximated by cake wavelets: for standard parameters, the uncertainty gap of cake wavelets is less than 1.1, and in the limit, we prove the uncertainty gap tends to the minimum of 1. Next, we complete a previous theoretical argument that one does not have to train the lifting layer in (PDE-)G-CNNs, but can instead use cake wavelets. Finally, we show experimentally that in this way we can reduce the network complexity and improve the interpretability of (PDE-)G-CNNs, with only a slight impact on the model's performance.
评论: 被第七届几何信息科学国际会议接收
主题: 微分几何 (math.DG) ; 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2504.00702 [math.DG]
  (或者 arXiv:2504.00702v2 [math.DG] 对于此版本)
  https://doi.org/10.48550/arXiv.2504.00702
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Finn Sherry [查看电子邮件]
[v1] 星期二, 2025 年 4 月 1 日 12:09:20 UTC (6,103 KB)
[v2] 星期五, 2025 年 7 月 4 日 08:49:15 UTC (6,095 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
math.DG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-04
切换浏览方式为:
cs
cs.CV
math

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号