[论文解读] DeepSphere: towards an equivariant graph-based spherical CNN

Michaël Defferrard, Nathanaël Perraudin|arXiv (Cornell University)|Apr 8, 2019

Medical Image Segmentation Techniques参考文献 21被引用 14

一句话总结

DeepSphere 提出了一种基于图的球面卷积神经网络，利用分层等面积等纬度像素化（HEALPix）方法，在不规则采样的球面数据上实现了高效、灵活且接近旋转等变的学习。该方法在宇宙学图谱分类任务中达到最先进性能，优于二维卷积神经网络（2D CNNs）和传统基线模型，尤其在高噪声和小样本情况下表现更优。

ABSTRACT

Poster presented at the Representation Learning on Graphs and Manifolds (https://rlgm.github.io) workshop at ICLR'19.

研究动机与目标

• 开发一种神经网络架构，能够高效处理不规则采样的球面数据，而无需依赖均匀采样或完整球面覆盖。
• 通过谱图理论和 HEALPix 采样，实现基于图的球面卷积中的近似旋转等变性。
• 在涉及球面信号的旋转不变学习任务（如宇宙学弱引力透镜图谱分类）中展示卓越性能。
• 提供一种灵活且计算高效的替代方案，以替代依赖规则采样或球面谐函数的传统球面卷积神经网络。

提出的方法

• 将离散化的球面建模为 k-近邻图，其中顶点对应测量的数据点，边表示测地线邻近关系。
• 基于谱图理论框架执行图卷积操作，利用图拉普拉斯矩阵及其特征分解在傅里叶域中实现滤波。
• 采用 Defferrard 等（2016）提出的图卷积神经网络公式，实现复杂度为 O(N_pix) 的快速卷积，支持大规模数据集的可扩展性。
• 通过 HEALPix 的多分辨率结构实现分层池化，以在不同空间尺度上实现多尺度特征学习。
• 采用两种架构：一种为带全连接层的 CNN 变体，用于全局分类；另一种为带全局平均池化的 FCN 变体，以实现旋转不变性。
• 通过实证分析验证图傅里叶模式与球面谐函数子空间的一致性，以评估旋转等变性的程度。

实验结果

研究问题

• RQ1 在不规则采样球面图上，图卷积在多大程度上能够实现旋转等变性？
• RQ2 基于图的球面卷积神经网络在旋转不变学习任务中的性能，与传统球面卷积神经网络和二维欧氏卷积神经网络相比如何？
• RQ3 基于图的方法是否能比固定采样球面卷积神经网络更有效地处理部分、非均匀且动态变化的球面数据？
• RQ4 HEALPix 采样结构对图拉普拉斯矩阵的谱特性及后续卷积操作有何影响？
• RQ5 在旋转不变与旋转等变任务中，选择 FCN 或 CNN 变体对性能有何影响？

主要发现

• FCN 变体通过利用旋转不变性，在高噪声和小样本条件下显著优于 CNN 变体。
• DeepSphere 在宇宙学弱引力透镜图谱分类任务中达到最先进分类准确率，且随着任务难度增加，性能差距进一步扩大。
• 图卷积操作实现 O(N_pix) 的计算复杂度，相比具有 O(N_pix^{2/3}) 复杂度的球面卷积方法更为高效。
• 实证分析表明，图傅里叶模式在低频分量（ℓ ≤ 8）下与球面谐函数子空间高度对齐，表明低通滤波器具有接近旋转等变性。
• 2D ConvNet 基线模型表现较差，原因在于投影引起的几何失真以及缺乏旋转等变性，凸显了球面感知架构的优势。
• 由于能够灵活处理不规则和部分采样数据，该模型在多种球面数据类型（包括 CMB、气候数据和 MEG）上均表现出良好的泛化能力。