MELSTM让运动成为规范对称性，同参数下更准、泛化更长时序，状态仅需流等变模型一小部分！
Motion Equivariant Convolutional LSTM: When Motion Becomes a Gauge Symmetry
📖 AI 总结
该论文提出运动等变卷积LSTM（MELSTM），将序列数据中的运动视为数据的一种对称性，并借鉴规范场论思想，把运动建模为随时间局部化的全局对称性，以速度模型作为规范场。相比此前仅处理匀速流动、需枚举速度基的流等变循环网络，该工作将方法扩展到卷积LSTM、支持速度随时间变化的运动，并由枚举速度改为估计速度，理论上可证明对任意运动等变。在未来帧预测、仅通过运动辨识数字的分类以及相机抖动下的动作识别三项任务中，MELSTM在参数量相同的情况下优于普通卷积LSTM和流等变模型，精度更高，能泛化到更长预测范围和未见运动，且所需状态量远少于流等变模型。
🔑 关键词速览
| 运动等变卷积LSTM (MELSTM) | 一种新型循环网络，将速度模型作为规范场，对任意运动具有等变性。 |
| 规范对称性 (gauge symmetry) | 在时间上局部化的全局对称性，此处指运动作为数据的一种对称性。 |
| 流等变循环网络 (flow equivariant recurrent networks) | 通过枚举速度库实现对恒定速度运动等变的循环网络。 |
| 等变性 (equivariance) | 输入变换时网络输出相应变换的性质，此处指对运动的等变。 |
| 卷积LSTM (convolutional LSTM) | 结合卷积操作的LSTM，用于处理时空序列数据。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅