主动卷积：为图像分类学习卷积的形状
计算机视觉与模式识别
2017-03-28 v1
摘要
近年来，深度学习在许多计算机视觉应用中取得了巨大成功。卷积神经网络（CNNs）最近已成为图像分类的主要方法。迄今为止，大多数关于CNN的研究集中于开发诸如Inception和残差网络等架构。卷积层是CNN的核心，但很少有研究关注卷积单元本身。在本文中，我们引入了一种称为主动卷积单元（ACU）的卷积单元。一种新的卷积没有固定形状，因此我们可以定义任意形式的卷积。其形状可在训练期间通过反向传播学习。我们提出的单元有一些优势。首先，ACU是卷积的推广；它不仅可以定义所有常规卷积，还可以定义具有分数像素坐标的卷积。我们可以自由改变卷积的形状，这为形成CNN结构提供了更大的自由度。其次，卷积的形状在训练时学习，无需手工调整。第三，ACU可以比常规单元学习得更好，我们仅通过将常规卷积更改为ACU就获得了改进。我们在plain和残差网络上测试了所提方法，结果表明与基线相比，我们的方法在各种数据集和架构上均显示出显著改进。
引用
@article{arxiv.1703.09076,
title = {Active Convolution: Learning the Shape of Convolution for Image Classification},
author = {Yunho Jeon and Junmo Kim},
journal= {arXiv preprint arXiv:1703.09076},
year = {2017}
}
备注
Accepted to appear in CVPR 2017