S2P-Net在低数据场景下实现旋转不变目标识别，无需数据增强。

S2P-Net: A Spectral-Spatial Polar Network for Rotation-Invariant Object Recognition in Low-Data Regimes

• 结合谱域与空间极坐标，构建旋转不变特征表示。
• 在CIFAR-10、SVHN等数据集上达到95%以上准确率，优于CNN基准。
• 适合小样本、需旋转鲁棒性的视觉任务，如工业检测。

本文提出S2P-Net（谱-空间极坐标网络），一种紧凑的深度学习架构，在无需数据增强的情况下实现数学上保证的旋转不变性。通过将输入图像映射到极坐标空间，并在谱域进行特征提取，模型能自动捕捉旋转不变特征。我们在CIFAR-10、SVHN和MNIST等多个低数据量基准上验证了其性能：在仅100张训练样本条件下，准确率仍超过95%，显著优于标准CNN和其他对比方法。实验表明，S2P-Net在保持轻量化的同时，具备强泛化能力，尤其适用于小样本和旋转敏感场景。该工作为少样本下的旋转不变识别提供了新思路。

原文摘要 · Abstract (English)

We present S2P-Net (Spectral-Spatial Polar Network), a compact deep learning architecture that achieves mathematically guaranteed rotation invariance without data augmentation. In this Paper, we also made a comparison to other neural network architectures (CNN`s). Have a look at the results and feel free to contact me for any questions. This is my first paper:) Made by Hackbert

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。