Bayesian 可轉向卷積神經網路

深度分析

結合貝式推論的可轉向 CNN：SE(3) 等變性與預測不確定性分析

研究聚焦於將等變性卷積與貝式不確定性結合，透過在可轉向基底係數上設置後驗分布，保持SE(3)等變性，同時提供可分解的預測不確定性。實驗顯示在ModelNet10上校準誤差0.0263，對噪聲干擾的準確率提升最高6.17%。此外，模型的認知不確定性與預測錯誤呈負相關，證實後驗變異具語意意義。