人工智能新突破：计算机正在学习从更高维度观察世界(12)_神译局是36氪旗下编译团队

\n工作原理 \n

规范等变CNN太过普遍了，以至于可自动包含之前的几何深度学习方法内置的假设——比如球体的旋转同变与平移滤波器等。即便是Michael Bronstein的早期方法，那种可以让神经网络识别弯曲成不同姿势的单一3D形状的方法，也符合规范等变。 Bronstein说说：“规范等变是一个非常广泛的框架。我们在2015年所做的事情是它的一个特例。 ”

理论上规范CNN可以适用于任意维度的任何弯曲表面， Cohen及其合作者已经用全球气候数据（该数据必定具备3D球形结构）对其进行过测试。他们用自己的规范等变框架搭建了一个CNN ，用来训练从气候模拟数据中检测极端天气现象模式，如热带气旋。 2017年，政府和学术研究人员用标准卷积网络曾检测出数据中的旋风，准确度为74％；去年，规范CNN探测飓风的准确率已达到97.9％。（这个成绩还超过了2018年专门为球体设计的不太通用的几何深度学习方法，后者的准确度为94％。）

劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）的气候科学家Mayur Mudigonda也应用过深度学习，他表示自己会继续关注规范CNN 。他说：“这方面的人类视觉智能，即无论在什么方向都可以准确识别出模式来这一点，我们想把这种能力转化到气候社区里面。 ” 芯片巨头高通最近收购了Cohen和Welling创建的一家初创公司，并将两人招致麾下，把他们的早期工作纳入到规范等变神经网络里面。现在，高通正计划将规范CNN理论应用到改进型计算机视觉应用的开发上，比方说可以同时“看” 360度的无人机。（就像全球气候数据一样，可以对世界的鱼眼视图自然地映射到球形表面上。）