RotaTouille: Rotations- und Zyklus‑invariante Deep‑Learning‑Methode für Konturen

In vielen Bereichen – von der Computer‑Vision über die Meteorologie bis hin zur Maschinenüberwachung – spielen geschlossene Kurven, sogenannte Konturen, eine zentrale Rolle. Wenn ein Deep‑Learning‑Modell mit solchen Daten trainiert wird, sollte ein roter Dreh der Eingabe auch zu einer entsprechenden Drehung der Ausgabe führen. Gleichzeitig ist die Startposition der Punkte auf einer Kontur willkürlich, sodass das Modell auch gegenüber zyklischen Verschiebungen robust sein muss.

Das neue Framework RotaTouille löst diese Anforderungen elegant. Durch die Verwendung komplexer, kreisförmiger Faltungen wird gleichzeitig Rotations‑ und Zyklus‑Equivarianz erreicht. Ergänzt wird das Verfahren durch speziell entwickelte, equivariant nichtlineare Aktivierungen, Coarsening‑Schichten und globale Pooling‑Mechanismen, die invariantere Repräsentationen für nachgelagerte Aufgaben erzeugen.

In einer Reihe von Experimenten zeigte RotaTouille seine Leistungsfähigkeit bei der Klassifizierung von Formen, der Rekonstruktion von Konturen und der Regression von Kurvenparametern. Die Ergebnisse deuten darauf hin, dass das Modell nicht nur robust gegenüber Drehungen und Verschiebungen ist, sondern auch in praktischen Anwendungen einen deutlichen Mehrwert bietet.