AdaPool：用于信息保留下采样的指数自适应池化
计算机视觉与模式识别
2022-12-05 v3
摘要
池化层是卷积神经网络（CNNs）的基本构件，用于降低计算开销并增大后续卷积操作的感受野。其目标是生成与输入体高度相似的下采样体，同时理想情况下也应计算与内存高效。同时满足这两点仍具挑战。为此，我们提出一种自适应且指数加权的池化方法：adaPool。该方法学习两组池化核的区域特定融合，这两组核分别基于 Dice-Sorensen 系数的指数与指数最大值。AdaPool 在图像与视频分类及目标检测等一系列任务上改善了细节保留。AdaPool 的一个关键特性是其双向性。与常见池化方法不同，所学权重也可用于上采样激活图。我们称此方法为 adaUnPool。我们在图像与视频超分辨率及帧插值上评估 adaUnPool。为基准测试，我们引入了 Inter4K，一个新颖的高质量、高帧率视频数据集。实验表明，adaPool 在不同任务与骨干网络上系统性地取得更好结果，同时仅引入微小的额外计算与内存开销。
引用
@article{arxiv.2111.00772,
title = {AdaPool: Exponential Adaptive Pooling for Information-Retaining Downsampling},
author = {Alexandros Stergiou and Ronald Poppe},
journal= {arXiv preprint arXiv:2111.00772},
year = {2022}
}