可学习的 ScatterNet：局部不变卷积层
计算机视觉与模式识别
2019-03-11 v1
摘要
在本文中，我们通过提出一种可学习的 ScatterNet，探索将散射变换与卷积神经网络（CNN）的思想结合起来用于图像分析。此前在混合网络中将它们结合的尝试往往保持两部分分离，即 ScatterNet 构成固定的前端，而 CNN 构成学习后端。我们转而研究在散射阶之间加入学习，以及在 ScatterNet 之前加入学习层。为此，我们将散射阶分解为称为“局部不变”层的类卷积单层，并向该层添加可学习的混合项。我们的实验表明，这些局部不变层在添加到 CNN 或 ScatterNet 时均能提升准确率。我们还发现了一些令人惊讶的结果：ScatterNet 可能最好位于一层或多层学习层之后，而非神经网络的前端。
引用
@article{arxiv.1903.03137,
title = {A Learnable ScatterNet: Locally Invariant Convolutional Layers},
author = {Fergal Cotter and Nick Kingsbury},
journal= {arXiv preprint arXiv:1903.03137},
year = {2019}
}
备注
4 pages, 1 Figure, pre-print of paper submitted to ICIP 2019