借助几何先验知识促进深度神经网络：综述 | Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey

题目： Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey

摘要：

虽然深度神经网络（DNNs）在许多不同的问题设置中均能获得最新的成果，但它们仍受到一些关键缺陷的影响。一方面，DNNs依赖于利用大量的训练数据，其标注过程既耗时又昂贵。另一方面，DNNs通常被视为黑匣子系统，这使其评估和验证变得复杂。可以通过将先验知识合并到DNN中来缓解这两个问题。受卷积神经网络（CNNs）在计算机视觉任务中的成功启发，一个有前途的领域是将有关问题的对称几何变换的知识合并到一起。这保证了更高的数据效率和更容易解释的过滤器响应。在本次调查中，试图简要概述将几何先验知识纳入DNNs的不同方法。此外，还尝试将这些方法连接到3D目标检测领域以进行自动驾驶，我们希望在这些方面应用这些方法会获得可喜的结果。