基于可微算术分布模块的仿射变换不变图像分类
计算机视觉与模式识别
2023-12-14 v2
摘要
尽管卷积神经网络（CNNs）在图像分类中取得了令人瞩目的成果，但它们仍然易受包括旋转、平移、翻转和洗牌在内的仿射变换的影响。这一缺陷促使我们设计一个能够缓解不同仿射变换影响的模块。因此，在本工作中，我们通过引入分布学习技术提出了一种更鲁棒的替代方案，特别关注学习图像中像素的空间分布信息。为了纠正先前依赖传统直方图的分布学习方法不可微的问题，我们采用核密度估计（KDE）来构造可微直方图。在此基础上，我们提出了一种新颖的可微算术分布模块（DADM），旨在从图像中提取内在的概率分布。所提方法能够增强模型对仿射变换的鲁棒性，同时不牺牲其特征提取能力，从而弥合传统 CNNs 与基于分布的学习之间的差距。我们通过消融研究以及与 LeNet 的对比实验验证了所提方法的有效性。
引用
@article{arxiv.2309.00752,
title = {Affine-Transformation-Invariant Image Classification by Differentiable Arithmetic Distribution Module},
author = {Zijie Tan and Guanfang Dong and Chenqiu Zhao and Anup Basu},
journal= {arXiv preprint arXiv:2309.00752},
year = {2023}
}